projeções de temperatura e precipitação para detecção de … · 2015-12-01 · produção de...
TRANSCRIPT
UNIVERSIDADE FEDERAL DE PELOTAS CENTRO DE ENGENHARIAS
CURSO DE ENGENHARIA AMBIENTAL E SANITÁRIA
Trabalho de Conclusão de Curso
Projeções de temperatura e precipitação para detecção de mudanças climáticas na Bacia do Rio Taquari-Antas, RS
Carina Krüger Bork
Pelotas, 2015
2
CARINA KRÜGER BORK
Projeções de temperatura e precipitação para detecção de mudanças climáticas na Bacia do Rio Taquari-Antas, RS
Trabalho acadêmico apresentado ao Curso de Engenharia Ambiental e Sanitária, da Universidade Federal de Pelotas, como requisito parcial à obtenção do título de Bacharel em Engenheiro Ambiental e Sanitarista.
Orientadora: Profª. Drª. Tirzah Moreira de Melo
Pelotas, 2015
3
Banca examinadora: Profª. Drª. Tirzah Moreira de Melo - Centro de Engenharias/UFPel - Orientadora Profª. Drª. Andréa Souza Castro - Centro de Engenharias/UFPel Profª. MSc. Katiúcia Nascimento Adam - Faculdade de Tecnologia TecBrasil – Unidade Porto Alegre
4
AGRADECIMENTOS
Primeiramente agradeço a Deus, pela força, fé, ânimo e determinação para superar
os desafios da vida.
Aos meus pais, Erno e Serlei, pela motivação e por acreditarem em mim, estando ao
meu lado independente da situação, sendo meu maior incentivo. E ao meu querido
irmão André pelo companheirismo.
À professora Tirzah de Melo pela oportunidade de trabalharmos juntas e por ser sua
primeira orientada. Agradeço a orientação, amizade e tranquilidade, sempre
disponível a ajudar.
À professora Luciara Corrêa, por ser essa pessoa tão dedicada, amiga e conselheira
em todos os momentos.
A todos os professores que tive a oportunidade de conhecer durante a graduação,
pelo conhecimento que souberam compartilhar, de maneira especial aos professores
da Engenharia Ambiental e Sanitária.
Aos amigos que Pelotas me proporcionou em especial à Maíra, Cássia, Camila e
Sara.
Aos colegas, amigos que a Engenharia Ambiental e Sanitária favoreceu à Daniela da
Rosa, Carliana Favretto, e em especial Kássia Bazzo, Karen Bés, Gustavo Bracher e
Gustavo Colares por partilharem desta reta final.
À Universidade Federal de Pelotas, pela estrutura e auxílios que foram fundamentais
para minha formação.
Às pessoas queridas, que de algum modo, contribuíram em determinado momento
na minha graduação.
MUITO OBRIGADA!
5
RESUMO BORK, Carina Krüger. Projeções de temperatura e precipitação para detecção de mudanças climáticas na Bacia do Rio Taquari-Antas, RS. 2015. 95f. Trabalho de Conclusão de Curso (TCC). Graduação em Engenharia Ambiental e Sanitária. Universidade Federal de Pelotas, Pelotas. O processo de mudanças climáticas é justificado em função do aumento da concentração de gases de efeito estufa (GEE) na superfície da terra. O Painel Intergovernamental sobre Mudanças Climáticas (IPCC) confirma que as ações antrópicas são as principais responsáveis por este aumento. O impacto das mudanças climáticas no comportamento da precipitação e temperatura média pode alterar consideravelmente a disponibilidade de recursos ambientais, o que torna importante os estudos sobre estas variáveis, principalmente para países em desenvolvimento como o Brasil. Neste sentido a região da Bacia do Rio Taquari-Antas caracteriza-se por apresentar um setor industrial em crescimento e uma produção de soja e milho importantes para a economia do Estado. Deste modo, o objetivo do trabalho foi detectar alterações nos padrões de temperatura e precipitação na bacia desses rios, comparando dados atuais com os futuros. Foram utilizados os dados das projeções de temperatura e precipitação para três postos na bacia, referentes aos períodos de 1961-1990 (atual) e 2011-2100 (futuro) gerados por modelos de circulação global (MCG) e modelos de circulação regional (MCR), sobre o cenário climático A1B. Para cada posto havia dez projeções climáticas diferentes geradas por tais modelos. Após uma análise inicial das projeções foi realizada uma investigação sazonal de temperatura e precipitação. Os eventos extremos foram estimados por meio de índices extremos, somente para a variável precipitação. As projeções indicaram um aumento de temperatura média anual de quase 3°C até o final do século, bem como um aumento expressivo na precipitação anual acumulada. Os ciclos mensais de temperatura e precipitação demonstram que os meses das culturas de verão serão menos afetados pelo aumento destas variáveis, porém os possíveis extremos aparecerão no início dos cultivos devido ao aumento de precipitação nos meses de outubro e novembro. Contudo o mês de maio merece atenção pelo histórico de inundações e pela projeção de expressivo aumento de precipitação. Para a precipitação anual acumulada os MCRs projetam maiores anomalias que os MCGs, os quais também demonstraram tendências positivas nos índices. O clima futuro na região de estudo sofrerá com o aumento de eventos extremos de precipitação, principalmente pelo acréscimo de precipitação total anual, o que pode ser verificado pelo aumento de dias com chuvas acima de 30 mm (índice R30), dentre outros. Essas alterações podem influenciar positivamente a economia do Estado, uma vez que haverá mais água disponível para a agricultura e geração de energia, contudo devem ser avaliados os possíveis impactos gerados pela pressão de novos empreendimentos na bacia. Impactos negativos podem ser encontrados nas partes mais baixas da bacia, visto a possibilidade de maior número de inundações. De certa forma, essas informações podem servir de alerta, assim como viabilizar ações preventivas na bacia como um todo.
Palavras-chave: mudanças climáticas; modelos climáticos; índices extremos de precipitação
6
ABSTRACT
BORK, Carina Krüger. Projections of temperature and precipitation for climate change detection at the Taquari-Antas River Basin, RS. 2015. 95f. Course Conclusion Paper (TCC). Graduation in Environmental and Sanitary Engineering. Federal University of Pelotas, Pelotas.
The climate change is associated with an increased concentration of greenhouse gases in the earth's surface. The Intergovernmental Panel on Climate Change (IPCC) assumes the human activities as the main responsible for this increase. The impact of climate change on precipitation and temperature might greatly alter the availability of natural resources, which makes it a relevant subject of study, especially in developing countries as Brazil. The Taquari-Antas River Basin is characterized by having a growing industry, as well as significant soybean and corn production, which are important to the region economy. Thus, the aim of this study was to detect changes in temperature and precipitation patterns in this region, comparing current data with those estimated by predictive models. Data of temperature and precipitation from three climatic stations at Taquari-Antas River Basin was used. Data taken were both for the periods of 1961-1990 (actual) and those generated by global circulation models (GCM) and regional circulation models (RCM) for the period 2011-2100 included in the A1B climate scenario. For each station ten different climate projections were generated by GCM and RCM. After an initial projection analysis, the seasonal temperature and precipitation research was conducted. Extreme events were estimated by extreme indexes, and only for the precipitation variable. Data from projections have indicated an increase in the annual temperature average of almost 3°C by the end of the century, as well as a significant increase in the accumulated annual precipitation. The estimated monthly cycles of temperature and precipitation shows that summer-growing crops will be less affected by increased temperatures, although eventual extremes might occur at the initial growth stage in October and November. However, special attention on May is necessary once historic climate data indicate significant increase of precipitation in this month. For the accumulated annual rainfall, the RCM projections indicates higher anomalies than GCMs projections, the last one indicating positive trends in this index. The future climate in the region will be under projected increase in extreme precipitation events, especially the annual total precipitation, which is indicated by increased frequency of daily precipitation above 30 mm (R30 Index), among others. These changes can positively influence the region economy, once there will be more water available for agriculture and power generation. However, the possible impacts of new enterprise projects in the region should be evaluated. In this way, negative impacts might be expected in the lower parts of the basin, more susceptible to flooding. In conclusion, this local climate information and analysis shows the potential to provide a warning tool to extreme climate conditions as well as to contribute to preventive actions in this region.
Key-words: climate change; climate models; extreme precipitation indices
7
SUMÁRIO
1. INTRODUÇÃO ...................................................................................................... 12
1.1 OBJETIVOS ........................................................................................................ 16
1.1.1 Objetivo Geral .................................................................................................. 16
1.1.2 Objetivo Específico ........................................................................................... 16
2. REVISÃO DE LITERATURA ................................................................................. 17
2.1 Mudanças Climáticas .......................................................................................... 17
2.2 Modelos Climáticos ............................................................................................. 22
2.3 Impactos das mudanças climáticas sobre o meio ambiente................................ 30
2.4 Índices de eventos climáticos extremos .............................................................. 32
2.5 Histórico das mudanças climáticas no Estado do Rio Grande do Sul ................. 35
3. METODOLOGIA .................................................................................................... 39
3.1 Caracterização da área de estudo ...................................................................... 39
3.2 Dados Meteorológicos e Modelos Climáticos ...................................................... 40
3.2.1 Método de remoção de viés nas projeções climáticas ..................................... 44
3.3 Processos Estatísticos ........................................................................................ 45
3.3.1 Teste de Mann-Kendall .................................................................................... 46
4. RESULTADOS E DISCUSSÃO ............................................................................. 48
4.1 Análise das projeções de temperatura e precipitação ......................................... 48
4.2 Anomalias de temperatura e precipitação ........................................................... 54
8
4.3 Análise sazonal ................................................................................................... 57
4.4 Índices de precipitação extrema .......................................................................... 64
5. CONCLUSÃO ........................................................................................................ 69
REFERÊNCIA ........................................................................................................... 72
APÊNDICES .............................................................................................................. 85
Apêndice A - Gráficos de projeções de temperatura e precipitação acumulada dos
MCGs e MCRs para os postos de estudo. ................................................................ 86
Apêndice B - Tabela de índices extremos de precipitação por modelos utilizados a
cada posto de estudo. ............................................................................................... 92
9
LISTA DE FIGURAS
Figura 1. Processos que causam variabilidade e mudanças climáticas. . ................. 18
Figura 2. Emissões globais de CO2e por setor.. ........................................................ 19
Figura 3. Projeções segundo diferentes cenários climáticos do AR4 e do AR5. ...... 22
Figura 4. Diagrama esquemático dos processos físicos envolvidos em um modelo de
circulação global (MCG). .......................................................................................... 24
Figura 5. Temperaturas médias no Brasil ao longo do ano para o cenário atual e
projeções futuras segundo o cenário A2. ................................................................. 27
Figura 6. Precipitação média diária do Brasil ao longo dos meses do ano para os
anos de 2020, 2050 e 2080. ..................................................................................... 28
Figura 7. (a) Números de decretos de ocorrência de seca. (b) Registros ao longo dos
meses do ano no Estado do Rio Grande do Sul entre 2003 e 2009. ........................ 36
Figura 8. (a) Registro mensal da ocorrência de inundações na Bacia do Rio Taquari–
Antas. (b) Casos de inundações no período de 1980 a 2007 na Bacia do Rio
Taquari–Antas. ......................................................................................................... 37
Figura 9. Mapas de anomalias da vegetação para a região Sul do Brasil.. ............... 38
Figura 10. Mapa da Bacia do Rio Taquari-Antas. ...................................................... 40
Figura 11. Projeções de temperatura e precipitação anual acumulada para os MCGs
e MCRs ao longo do período estudado. .................................................................... 53
Figura 12. Anomalias de temperatura e precipitação anual acumulada projetada por
MCRs e MCGs para cada posto nos períodos futuros. ............................................. 55
Figura 13. Médias mensais das projeções de precipitação para os MCGs e MCRs a)
posto 1, b) posto 2, c) posto 3. .................................................................................. 61
Figura 14. Períodos mensais de anomalias de (a) temperatura e (b) precipitação. As
curvas correspondem a variável média de todas as projeções dos postos. .............. 63
10
LISTA DE TABELAS
Tabela 1. Modelos utilizados no AR4 e AR5. ............................................................ 25
Tabela 2. Índices de temperatura e precipitação. ...................................................... 33
Tabela 3. Descrição dos postos de estudo. .............................................................. 41
Tabela 4. Modelos de Circulação Global utilizados. .................................................. 41
Tabela 5. Projeções de aumento/diminuição de temperatura e precipitação anual
acumulada ao longo do século XXI. .......................................................................... 49
Tabela 6. Médias mensais das projeções de temperaturas para os MCGs e MCRs. 58
Tabela 7. Principais culturas da Bacia do Rio Taquari-Antas ................................... 61
Tabela 8. Médias anuais dos índices de precipitação extrema. ................................ 66
11
LISTA DE SIGLAS E ABREVIATURAS
ANEEL Associação Nacional de Energia Elétrica
AR Relatório de Avaliação
CEDEC/RS Coordenadoria Estadual de Defesa Civil do Rio Grande do Sul
FEE Fundação de Economia e Estatística
FEPAM Fundação Estadual de Proteção Ambiental
GEE Gases de Efeito Estufa
IPCC Painel Intergovernamental sobre Mudanças Climáticas
MCG Modelo de Circulação Global
MCGAO Modelo Acoplado de Circulação Geral Atmosfera-Oceano
MCR Modelo de Circulação Regional
MST Modelo do Sistema Terrestre
ONU Organização das Nações Unidas
P Precipitação
PCH Pequena Central Hidrelétrica
PIB Produto Interno Bruto
RCP Caminhos Representativos de Concentração
SIN Sistema Interligado Nacional
SRES Relatório Especial sobre Cenários de Emissões
T Temperatura
12
1. INTRODUÇÃO
A sociedade humana é extremamente dependente do clima de uma
determinada região, tendo suas características socioeconômicas moldadas e
adaptadas aos diferentes padrões mensais e sazonais das variáveis meteorológicas.
Qualquer mudança destes padrões climáticos, assim como nos principais processos
físicos envolvidos neste complexo sistema, acarretam modificações ao equilíbrio do
meio ambiente (CAMARGO et al., 2011).
O clima na Terra define-se pela entrada e saída de energia e interações entre
a atmosfera, terra, oceanos, gelo e os seres vivos. Acima da superfície terrestre são
encontrados naturalmente os gases de efeito estufa (GEE), tais como o vapor d’
água, o dióxido de carbono (CO2), o metano (CH4), o ozônio (O3) e o óxido nitroso
(N2O) (BANCO MUNDIAL, 2010).
Os GEE têm a capacidade de armazenar o calor na atmosfera, permitindo
que as ondas eletromagnéticas derivadas do Sol atravessem a atmosfera e
aqueçam a superfície terrestre. Isto dificulta a saída da radiação infravermelha
emitida pela Terra, mantendo-a, assim, aquecida (SANTOS et al., 2009). Se ocorrer
alguma alteração na composição natural dos gases na atmosfera, pode-se
desencadear um processo de mudança climática, baseado principalmente, na
intensificação do efeito estufa, o qual aumenta o calor retido na superfície do
planeta.
Os principais fatores responsáveis pela mudança climática e que contribuem
para o efeito estufa são o desmatamento, a alteração do uso do solo, o aumento da
concentração de GEE derivados do uso de combustíveis fósseis, entre outras
atividades antrópicas (IPCC, 2014).
Neste contexto, o Painel Intergovernamental sobre Mudanças Climáticas
(IPCC) surgiu como um organismo internacional responsável por reunir informações
referentes às mudanças climáticas, disponibilizando regularmente relatórios de
avaliação (AR), sendo o mais recente o AR5, emitido no ano de 2014 (LIMA, 2014).
13
Conforme consta no quarto relatório (AR4), já foi registrado um aumento de
0,74ºC na temperatura média global. No entanto, este aumento é pequeno se
confrontado com as projeções derivadas dos modelos globais do IPCC-AR4 que
projetam, em um cenário mais pessimista, um aumento de 1,1 a 6,4ºC na
temperatura até o fim do século XXI (SAMPAIO, 2013). Além disso, acredita-se que
algumas consequências sobre o sistema hidrológico, como eventos extremos de
secas e/ou enchentes mais severas, possam causar influencias nas vazões dos rios
(IPCC, 2007).
No Brasil, algumas dessas alterações também estão ocorrendo devido a
mudanças nos regimes de precipitação. A região norte sofre com uma das piores
cheias da história (CAMPOS et al., 2013), enquanto que o sudeste enfrenta com
dificuldades uma crise hídrica. Murumkar et al. (2014) destacam que a precipitação é
um dos principais indicadores nos estudos de impacto de mudanças climáticas,
salientando a sua importância frente a gestão dos recursos hídricos. Adam (2011)
em análise de sensibilidade na Bacia Hidrográfica do Rio Ibicuí observou que a
variável precipitação é a mais difícil de modelar, em função da incerteza dos
feedbacks e dos modelos de circulação global errarem mais na projeção de
precipitação.
Na análise dos impactos das mudanças climáticas, torna-se indispensável
definir o ambiente como um sistema composto por elementos mais amplos do que
apenas os recursos naturais. Desse modo, entende-se o ambiente como o meio de
onde a sociedade extrai os recursos essenciais à sobrevivência e os necessários ao
processo de desenvolvimento socioeconômico (SÁNCHES, 2008). Segundo a
legislação brasileira, Lei Federal nº 6.938/81, tem-se a definição de ambiente:
“conjunto de condições, leis, influências e interações de ordem física, química e
biológica, que permite, abriga e rege a vida em todas as suas formas”. Desta
maneira, estamos constantemente sofrendo as consequências das mudanças
impostas pelo sistema ambiental no qual nos inserimos.
Portanto, as mudanças no ambiente decorrentes de alterações do clima terão
efeitos nas mais diversas atividades humanas. Dentre elas, pode-se destacar a
agricultura, com efeitos sobre a manutenção da sustentabilidade, a perda da
14
diversidade, o aumento de vetores de doenças, afetando assim, a produtividade das
culturas brasileiras mais relevantes como a soja, o milho, o café, o trigo e a cana
(GHINI, et al., 2011; SIMONI, 2009). Ao mesmo tempo as comunidades
consideradas pobres e vulneráveis poderão sentir de uma forma ainda mais grave
os impactos, quando comparadas com outros setores da economia, como a
silvicultura, pecuária e a indústria.
Tais impactos podem ser avaliados pelo uso de modelos climáticos, os quais
são capazes de simular (passado) e/ou projetar (futuro) o clima de uma determina
região ou mesmo do globo. Enquanto os modelos de circulação global (MCG) estão
limitados pela sua baixa resolução espacial, os modelos de circulação regional
(MCR) destinam-se a modelar o clima em uma área geográfica mais restrita devido a
sua maior resolução. Em geral, os maiores benefícios dos MCRs estão em permitir
incorporar maiores informações em escala local, tais como: a topografia de áreas
montanhosas e tempestades convectivas em regiões tropicais (JALOTA et al., 2013;
STONE e KNUTTI, 2011).
A ocorrência de desastres naturais no Brasil tem exigido permanente atenção
dos órgãos de defesa civil nos últimos anos. Eventos climáticos extremos, como
tempestades de granizo, vendavais, enchentes e enxurradas, secas e deslizamentos
de terras têm castigado o país e ocasionado danos à sociedade, afetando milhares
de pessoas, em especial o Estado do Rio Grande do Sul (NEDEL et al., 2012). No
período de 2003-2009 Nedel et al. (2010) demonstraram que a estação preferencial
a ocorrência de seca é o verão, com 811 eventos seguido do outono, com 442
eventos registrados no Estado.
Atualmente, tem-se estudado esses eventos extremos por meio de índices
estatísticos de temperatura e precipitação (ARAUJO e BRITO, 2011;
DERECZYNSKI et al., 2013; DONAT et al., 2013; KIKTEV et al., 2003; SANTOS, et
al., 2009; SANTOS, et al., 2013; VALVERDE e MARENGO, 2014; VINCENT et al.,
2005). Estes índices são utilizados para detectar se no futuro tais eventos se
tornarão mais (ou menos) frequentes quando comparados com o clima do passado.
15
Marengo et al. (2009) revelam que são esperados altos índices extremos de
precipitação, mostrando aumento na frequência e na intensidade das chuvas no Sul
e no Sudeste do Brasil e, em menor grau, no oeste da Amazônia e na área litorânea
do leste da Amazônia e no norte da região Nordeste.
O Estado do Rio Grande do Sul têm sua economia fortemente baseada na
produção agrícola, altamente dependente de geração hidrelétrica e sujeito a
inúmeros problemas sociais e ambientais associados com os padrões de
desenvolvimento e urbanização. Este conjunto sofre constantemente com os
extremos de temperatura e precipitação, que causam grandes danos econômicos
(TORRES e MARENGO, 2013).
Apesar da importância do Estado do Rio Grande do Sul, existem ainda
poucos estudos em nível regional sobre as consequências dos eventos extremos. A
ocorrência de tais eventos acarreta significativas perdas nas produções de soja e
milho que acabam afetando a agricultura, influenciando também os demais setores
da economia. Além disso, as populações das cidades do entorno dos rios também
sofrem danos materiais causados pelas enchentes.
Bombassaro e Robaina (2010) citam o crescimento urbano e a falta de
planejamento como os principais agravantes que tornam as cidades e as populações
cada vez mais vulneráveis a eventos de maior magnitude. Rodrigues (2011) percebe
que os municípios integrantes da Bacia do Rio Taquari-Antas estão enfrentando, em
curtos períodos de tempo, impactos decorrentes de inundações e estiagens.
Dentro desta problemática ambiental se faz necessário o presente estudo na
região da Bacia do Rio Taquari-Antas, a fim de alertar a sociedade e contribuir com
informações ao poder público, tendo como propósito determinar se diferentes
eventos extremos ocorrerão com maior relevância ao longo do século XXI.
16
1.1 OBJETIVOS
1.1.1 Objetivo Geral
O objetivo deste trabalho é detectar alterações nos padrões de temperatura e
precipitação como indicativo de mudanças climáticas na Bacia do Rio Taquari-Antas
RS ao longo do século XXI (2011-2100), comparando com o clima no período atual
(1961-1990), por meio de projeções destas variáveis geradas por diferentes modelos
climáticos com base no cenário climático A1B do AR4.
1.1.2 Objetivo Específico
- Explorar estatisticamente as projeções de temperatura e precipitação para a
Bacia do Rio Taquari-Antas.
- Analisar sazonalmente as projeções de temperatura e precipitação para a
Bacia do Rio Taquari-Antas para o período futuro e atual, com o propósito de
identificar os meses cujos impactos sobre o meio ambiente são prováveis de
serem mais críticos.
- Utilizar índices estatísticos para detectar a ocorrência de eventos extremos
de precipitação na região da Bacia do Rio Taquari- Antas RS, para o período
futuro.
- Detectar tendências de aumento ou diminuição na distribuição temporal dos
índices extremos e determinar como estes afetariam o meio ambiente
segundo as projeções disponíveis para a área de estudo.
17
2. REVISÃO DE LITERATURA
2.1 Mudanças Climáticas
Conforme definição do IPCC (2007), a variabilidade climática refere-se a
flutuações no estado médio e outras estatísticas, tais como o desvio padrão, os
extremos ou ainda a forma da distribuição de frequência de determinados elementos
climáticos em todas as escalas espaciais e temporais, além de eventos climáticos
individuais. Por outro lado, as mudanças climáticas são uma variação
estatisticamente significativa no estado médio do clima ou em sua variabilidade, que
persiste por um período prolongado, geralmente de décadas ou mais. Contudo, a
variabilidade pode ser associada a processos internos naturais do sistema climático,
ou a variações nas forçantes climáticas naturais ou antropogênicas persistentes na
composição atmosférica e no uso da terra.
O quinto e último relatório (AR5) emitido pelo IPCC (2014), evidencia que a
influência humana sobre o sistema climático tem crescido. Este confirma as
hipóteses do AR4, publicado em 2007, o qual já apontava 90% de certeza de que
mais da metade do aumento observado na temperatura média da superfície entre os
anos de 1951 a 2010 teve como causa o aumento das concentrações de gases do
efeito estufa, devido às atividades antropogênicas aliadas a forçantes climáticas
(IPCC, 2014).
Segundo Barry e Chorley (2013) mesmo quando os sinais do clima são reais
é difícil atribuí-los a causas únicas, devido à complexidade do sistema climático, pois
este se configura por uma rede de interações entre seus diversos componentes, em
uma variedade de escalas espaciais e temporais (Figura 1). A temperatura do ar
junto à da superfície da Terra, é uma medida indireta de percepção das alterações
impostas no sistema climático em certa escala temporal. Tais modificações são
reflexo das forçantes climáticas e de seus respectivos feedbacks.
18
Figura 1. Processos que causam variabilidade e mudanças climáticas. Fonte: Barry e Chorley, 2013.
As forçantes são perturbações impostas sobre o sistema global, podendo ser
positivas, quando induzem um aumento na temperatura média da superfície, ou
negativas, quando levam a uma redução (FORSTER et al., 2007).
Conforme Barry e Chorley (2013), as principais forçantes podem ser tanto
naturais como antropogênicos, sendo elas: tectônica de placas, periodicidade
astronômicas, variabilidade solar, erupções vulcânicas e as mudanças na
composição atmosférica e na cobertura do solo induzidas pelo ser humano. Como
as forçantes atuam em diferentes escalas temporais, para o estudo de mudanças
climáticas, levam-se em conta os últimos 100 anos. A variabilidade solar, a erupção
vulcânica e as alterações antropogênicas tornam-se as forçantes mais relevantes.
Estas são ditas forçantes radiativas e causam um impacto imediato sobre o balanço
global de radiação no topo da atmosfera.
A magnitude da resposta na temperatura global frente à atuação das
forçantes é então denominada pelos feedbacks, quando positivos amplificam esta
mudança de temperatura, enquanto negativos, reduzem-a.
Para compreensão do termo feedbacks, considera-se o exemplo da forçante
positiva aumento da concentração de CO2 na atmosfera, pois resulta em um
19
acréscimo de temperatura. Em consequência do aumento da temperatura, há
também elevação do nível da evaporação, originando uma atmosfera mais quente,
ou seja, com maior vapor de água. Contudo, o vapor de água também é considerado
um gás de efeito estufa, ocasionando ainda mais aquecimento. Desta forma, o vapor
de água é considerado um feedback positivo do aumento da concentração de CO2,
em razão de ampliar o efeito da mudança na temperatura superficial, induzida pela
forçante climática (BARRY e CHORLEY, 2013).
No período de 1750 a 2011, as emissões do principal gás do efeito estufa, o
CO2 cumulativo na atmosfera, foram de 2040 ± 310 Gt de CO2. Entretanto 40%
dessas emissões permanecem na atmosfera (880 ± 35 Gt de CO2) e o restante é
removido e armazenado na terra (através das plantas e dos solos) e nos oceanos.
Somente o oceano tem absorvido 30% do CO2 antropogênico emitido, o que causa a
sua acidificação (IPCC, 2014).
Através da Figura 2 é possível notar a influência de diferentes setores na
emissão dos GEE, onde todos são expressos em termos de CO2 equivalente (CO2e),
ou seja, a quantidade de CO2 que causaria o mesmo efeito no aquecimento.
Figura 2. Emissões globais de CO2e por setor. Fonte: Adaptado de Banco Mundial, 2010.
A preocupação com o aquecimento global induziu à criação do Painel
Intergovernamental sobre Mudanças Climáticas (IPCC) no ano 1988. Este órgão
internacional concentra os principais estudos sobre o clima e mudanças climáticas,
sendo composto por representantes de governos de todo o mundo.
26%
3%
17%
13%
8%
14%
19%
Emissão de CO2e por setor
Energia
Dejetos e águas residuais
Mudança de uso do solo e silvicultura
Transporte
Prédios residenciais e comerciais
Agricultura
Indústria
20
Em 1992, durante a Convenção sobre Mudanças Climáticas no Rio de
Janeiro, a Organização das Nações Unidas (ONU) aprovou a criação do Protocolo
de Kyoto, o qual seria um marco na questão ambiental no mundo. A primeira meta
do Protocolo (2008-2012) era uma redução média de 5,2% das emissões de GEE
em relação ao ano de 1990, para os países desenvolvidos (BANCO MUNDIAL,
2010). Porém, alguns cientistas afirmaram que esta redução era considerada
pequena, e acreditavam que a mesma deveria ser de 50% das emissões globais até
ano 2050, para que o aumento de temperatura na Terra não ultrapasse o limite de
2ºC, visto como ponto de colapso do clima (DELPURO, 2009).
Dentro desta perspectiva, o IPCC regularmente publica relatórios de avaliação
(ARs), aumentando o seu nível de confiança nos resultados neles apresentados. Até
o momento, foram emitidos cinco relatórios: o AR1 (1990), o AR2 (1995), o AR3
(2001), o AR4 no ano de 2007 e o mais recente AR5 em 2014, com o propósito de
contribuir no planejamento e tomada de decisões pelos governantes.
Para auxiliar os estudos sobre mudanças climáticas, foram criados diferentes
cenários climáticos, os quais têm por objetivo representar o clima futuro,
descrevendo como este se modificará em decorrência de uma determinada
alteração da composição da atmosfera, resultante das atividades antrópicas
(CAMILLION e BIDEGAIN, 2005).
Esta representação vem sendo utilizada deste o AR3. O Relatório Especial
sobre Cenários de Emissões (SRES) apresenta os cenários socioeconômicos,
agrupados em diferentes famílias A1, A2, B1 e B2 (NAKICENOVIC et al., 2000). No
AR5 os cenários são organizados conforme os Caminhos Representativos de
Concentração (RCP) 8.5, 6.0, 4.5 e 2.6 Wm-2 de forçantes radiativas (VAN VUUREN
et al., 2011).
O RPC 2.6 Wm-2 projeta um cenário com baixa emissão e baixa forçante
radiativa, correspondendo a um aumento de cerca 1°C na temperatura média da
superfície (similar B2 do SRES). O RCP 4.5 é similar ao cenário A1B do SRES e
mais para o final do século assemelha-se ao RCP 8.5 o qual representa uma
21
forçante radiativa ainda maior, ou seja, um cenário de alta emissão, com um
acréscimo de até 4°C (A2 do SRES) (CHOU et al., 2014; MARENGO et al., 2014).
Segundo Hamada et al. (2011), os cenários de mudanças climáticas do SRES
podem ser descritos como:
A1- Descreve um mundo com rápido crescimento econômico, baixa taxa de
crescimento populacional e rápida introdução de novas e mais eficientes
tecnologias. As principais características incluem a convergência entre regiões, o
desenvolvimento das capacidades e o aumento das interações culturais e sociais,
com importante redução nas diferenças regionais da renda per capta. Considera
direções alternativas de mudança tecnológica no sistema de energia. Dentro desta
família estão inseridos os cenários A1F1 com ampla utilização dos combustíveis
fósseis, A1T sem utilização e o cenário A1B que compreende um equilíbrio entre os
anteriores.
A2- Descreve um mundo futuro muito heterogêneo, com preservação das
identidades locais e da tradição. Os padrões de fertilidade entre regiões convergem
muito lentamente, o que resulta em alto crescimento populacional. O
desenvolvimento econômico per capta e a mudança tecnológica são mais
fragmentados e mais lentos, comparados às outras famílias de cenários.
B1- Descreve um mundo convergente com baixo crescimento populacional, porém
com rápidas mudanças nas estruturas econômicas, com redução na utilização de
material e a introdução de tecnologias limpas e eficientes na utilização de recursos.
A ênfase é nas soluções globais para a sustentabilidade econômica, social e
ambiental, incluindo a melhoria na equidade, porém sem iniciativas climáticas
adicionais.
B2- Descreve um mundo no qual a ênfase está em soluções locais para a
sustentabilidade econômica, social e ambiental. É um mundo com moderado
crescimento populacional, níveis intermediários de desenvolvimento econômico e
mudanças climáticas menos rápidas e mais diversas do que B1 e o A1. É orientado
para a proteção do meio ambiente e a igualdade social, mas com foco nos níveis
local e regional.
22
Na Figura 3 estão apresentadas as projeções realizadas para distintos
cenários do AR4 e do AR5, sendo o número de modelos utilizados indicado entre
parênteses. O período base ou de comparação (histórico) compreende os anos de
1986 a 2005. As incertezas estão representadas pelo sombreado no entorno das
curvas, em razão da diferença entre os números dos modelos utilizados, bem como
das variáveis incorporadas aos diferentes modelos.
Figura 3. Projeções segundo diferentes cenários climáticos do AR4 e do AR5. Fonte: Adaptado de Knutti e Sedlacek, 2013.
Alexander (2010) em seu livro “Aquecimento Global Alarme Falso”, afirma que
os modelos do IPPC são muito sensíveis ao CO2, resultando em um aquecimento
superestimado da superfície da Terra. Além disso, este autor reconhece que o
planeta está aquecendo, mas destaca que o CO2 não é a principal causa, embora
não aponte indícios sobre as possíveis causas. Afirma também que o planeta
vivencia uma fase de resfriamento global, enfatizando que, a partir de 2002, os
termômetros globais estariam registrando uma diminuição nas temperaturas,
tendência que permaneceria para os próximos 30 anos.
2.2 Modelos Climáticos
Os modelos climáticos são códigos computacionais com centenas de milhares
de linhas, que representam aproximações numéricas de equações matemáticas,
representativas das leis da física que regem os movimentos da atmosfera e as
interações com a superfície. As aplicações incluem a simulação do clima passado
23
(paleoclima), do clima presente (passado recente), bem como estudos de
sensibilidade para identificação de processos e entendimentos físicos. A previsão da
variabilidade climática de curto prazo e sua mudança na escala sazonal e decanal,
na elaboração de projeções do clima futuro e redução da escala espacial
(downscaling) dessas projeções, têm como finalidade fornecer mais detalhamento
nas escalas regionais e locais (MARENGO et al., 2014).
Nos Modelos de Circulação Global ou Geral (MCGs), os processos dinâmicos
e termodinâmicos, bem como as trocas de radiação e massa são modelados
utilizando-se de cinco conjuntos básicos de equações (Barry e Chorley, 2013):
1. Equações tridimensionais do movimento, ou seja, conservação de momento;
2. Equação da continuidade (conservação de massa ou equação hidrodinâmica);
3. Equação da continuidade para vapor de água atmosférico (conservação do
vapor de água);
4. Equação de conservação de energia, ou seja, equação termodinâmica derivada
da primeira lei da termodinâmica;
5. Equação de estado para a atmosfera.
Outros processos também se tornam necessários na resolução destas
equações de forma acoplada, como a transferência radiativa através da atmosfera,
atrito superficial, transferências de energia e os processos de formação de nuvens.
Na Figura 4 é possível visualizar os processos físicos envolvidos em um modelo de
circulação geral.
24
Figura 4. Diagrama esquemático dos processos físicos envolvidos em um modelo de circulação global (MCG). Fonte: Barry e Chorley, 2013.
Os modelos acoplados de Circulação Geral Atmosfera-Oceano (MCGAOs)
foram os modelos climáticos padrões avaliados no AR4. Sua função primária era
entender a dinâmica das componentes físicas do sistema climático (atmosfera,
oceano, superfície e gelo marinho) e elaborar projeções baseadas nas forçantes de
GEE no futuro e aerossóis (PITA, 2011). O AR5 apresenta Modelos do Sistema
Terrestre (MSTs), os quais representam a evolução dos MCGAOs, pois incluem a
representação de vários ciclos biogeoquímicos (FLATO et al., 2013). Chou et al.
(2014) destacam que os MCGs utilizados no AR5 têm apresentado melhorias em
relação as simulações de precipitação sobre áreas tropicais.
Os MCGs são a principal ferramenta para fornecer informações de alterações
climáticas utilizando diferentes cenários de emissões de GEE. No entanto, as grades
destes modelos possuem tamanhos de 200-100 km. Recursos locais, como
topografia, bacias hidrográficas e zonas costeiras não podem ser capturados nas
simulações realizadas por esses MCGs (CHOU et al., 2014).
A fim de gerar confiança ao desempenho dos MCGs, um projeto chamado
Coupled Model Intercomparision (CMIP) foi implementado para avaliar e comparar
modelos de vários centros de pesquisas climáticas ao redor do mundo. Esta
avaliação é feita usando procedimentos comuns e dados padronizados, como por
exemplo, a temperatura na superfície do mar, proporcionando assim uma ampla
25
documentação sobre a estrutura dos modelos e os detalhes de suas
parametrizações.
Já os Modelos de Circulação Regional (MCRs) surgem da necessidade de
transferir informações globais, reduzindo a escala das simulações climáticas para
maiores resoluções na área de interesse, possibilitando o estudo do impacto local.
Estes modelos utilizam as informações de um modelo global como condição de
contorno, permitindo que efeitos de pequena escala como topografia, hidrografia e
uso do solo sejam incluídos na simulação (BARRY e CHORLEY, 2013). Na Tabela 1
são apresentados os modelos globais utilizados nos dois últimos relatórios do IPCC
e os países onde foram desenvolvidos.
Tabela 1 (continua). Modelos utilizados no AR4 e AR5.
Nome do Modelo
(AR5) País
Nome do Modelo
(AR4) País
1 ACCESS 1.0, ACCESS
1.3 Austrália 1 BCC-CM1 China
2 BCC-CSM 1.1, BCC-
CSM 1.1 (m) China 2 BCCR-BCM 2.0 Noruega
3 BNU-ESM China 3 CCSM3 Estados
Unidos
4 CanCM4 Canadá 4 CGCM3.1(T47) Canadá
5 CESM1 (BGC)
Estados
Unidos
5 CGCM3.1(T63)
6 CESM1 (WACCM) 6 CNRM-CM3 França
7 CESM1 (FASTCHEM) 7 CSIRO-MK 3.0,
CSIRO-MK 3.5 Austrália
8 CESM1 (CAMS) 8 ECHAM5/MPI-OM Alemanha
9 CESM1 (CAMS, 1-FV2) Estados
Unidos 9 ECHO-G Coréia
10 CMCC-CM, CMCC-
CMS Itália 10 FGOALS-g1.0 China
11 CMCC-CESM 11 GFDL-CM 2.0 Estados
Unidos 12 CNRM-CM5 França 12 GFDL-CM 2.1
26
Tabela 1 (continuação). Modelos utilizados no AR4 e AR5.
Nome do Modelo
(AR5) País
Nome do Modelo
(AR4) País
13 CSIRO- Mk 3.6.0 Austrália 13 GISS-AOM Estados
Unidos
14 EC-EARTH Europa
China
14 GISS-EH
15 FGOALS- g2 15 GISS-ER Estados
Unidos
16 FGOALS- s2
China
Estados
Unidos
16 INGV-ECHAM4 Itália
Rússia 17 FIO-ESM v 1.0 17 INM-CM 3.0
18 GFDL- ESM2M, GFDL-
ESM2G 18 IPSL-CM4 França
19 GFDL-CM 2.1
19 MIROC3.2(hires) Japão
27 INM-CM4 Rússia
28 IPSL-CMSA-LR/-
CMSA-MR/ -CMSB-LR França
29 MIROC4h, MIROCS
Japão
30 MIROC-ESM
31 MIROC-ESM-CHEM
32 MPI-ESM-LR/-ESM-
MR/-ESM-P Alemanha
33 MRI-ESM1 Japão
34 MRI-CGCM3
35 NCEP-CFSv2 Estados
Unidos
36 NorESM1-M Noruega
37 NorESM1-ME
Fonte: Adaptado de Flato et al., 2013.
Como observado por Dereczynski et al. (2013) e Melo et al. (2014) é
extremamente difícil de simular adequadamente o clima. Por esta razão, os modelos
climáticos, muitas vezes, fazem uso de algumas simplificações, representadas por
diferentes parametrizações. O uso de vários conjuntos de parâmetros resulta em
27
uma saída diferente em cada simulação, representando a sensibilidade dos modelos
aos parâmetros. Através do processo de análise de incertezas realizado nos
modelos climáticos, os mesmos geram membros que são denominados como: “Ctrl”
(controle), “Low” (baixo), “Mid” (médio) e “High” (alto). O termo “High”, por exemplo,
refere-se a uma grande perturbação nas saídas associadas a um determinado
conjunto de parâmetros, enquanto um termo “Low” indica que o modelo não é muito
sensível. Isto não quer dizer que uma projeção de um membro “High” fornecerá, por
exemplo, maiores temperaturas para uma determinada região do globo apenas, que
este membro é mais sensível aos parâmetros utilizados.
Valverde e Marengo (2014) utilizando o MCG-HadCM3 acoplado com o
MCR-Eta 40, constataram que eventos de precipitação intensa e em curta duração
se tornaram mais frequentes nas principais bacias hidrográficas brasileiras.
Hamada et al. (2008) realizaram um estudo utilizando-se de projeções dos
seguintes MCGs: CCSR/NIES, CGCM2, CSIRO-Mk2, ECHAM4, GFDL-R30 e
HadCM3 do AR3 apenas para o cenário mais pessimista (A2) e o mais otimista (B2).
Os resultados das projeções de temperatura média para o clima futuro do país estão
apresentados na Figura 5 e foram comparados com o cenário atual (1961-1990).
Contudo, as tendências indicam um aumento na temperatura de até 4ºC em 2080,
sendo mais significativas de junho a outubro, ou seja, os invernos se tornarão mais
quentes em comparação com os verões.
Figura 5. Temperaturas médias no Brasil ao longo do ano para o cenário atual e projeções futuras segundo o cenário A2. Fonte: Adaptado de Hamada et al., 2008.
Ainda no referido estudo, são apresentadas as anomalias referentes à
temperatura (ºC) e à precipitação (mm/dia) em comparação com o período atual
20
22
24
26
28
30
32
0 2 4 6 8 10 12
Tem
pe
ratu
ra M
éd
ia ( C
)
Mês do Ano
Atual 2020 2050 2080
28
para as distintas estações e regiões do Brasil, referentes aos períodos 2010-2039,
2040-2069 e 2070-2099. Desta forma, a Região Sul do Brasil poderá sofrer com os
maiores aumentos de temperatura, principalmente durante os meses de primavera,
sendo que as projeções para o ano de 2080 no cenário A2 é de 5,5ºC acima da
média registrada para o período atual.
Segundo o Painel Brasileiro de Mudanças Climáticas (PBMC) a região sul do
bioma Mata Atlântica, situada a Bacia do Rio Taquari-Antas até meados de 2040 as
projeções indicam aumento relativamente baixo de temperatura entre 0,5º e 1ºC com
um aumento de 5% a 10% na chuva. Na metade do século (2041-2070) mantêm-se
as tendências de aumento gradual de 1,5º a 2ºC na temperatura e de aumento de
15% a 20% nas chuvas, sendo que essas tendências acentuam-se ainda mais no
final do século (2071-2100) com padrões de clima entre 2,5º e 3ºC mais quente e
entre 25% a 30% mais chuvoso (PBMC, 2013).
Sobre as alterações da precipitação média diária no Brasil, tem-se que, em
geral, haverá uma diminuição dos totais mensais em relação ao clima atual, porém
poucas diferenças entre os períodos (Figura 6). Além disto, estima-se que as
maiores precipitações ocorrem, na média geral do Brasil, nos meses de verão (40%)
e de outono (29%). As anomalias de precipitação observadas para a região Sul
revelam uma pequena diminuição ao longo de todas as estações do ano (HAMADA
et al., 2008).
Figura 6. Precipitação média diária do Brasil ao longo dos meses do ano para os anos de 2020, 2050 e 2080. Fonte: Adaptação de Hamada et al., 2008.
0
2
4
6
8
0 2 4 6 8 10 12 14
Pre
cip
ita
çã
o (m
m/d
ia)
Mês do Ano
Atual 2020 2050 2080
29
Hamada et al. (2011) realizaram novos estudos utilizando 15 MCGs a partir
dos dados do AR4, considerando o cenário A2 para o período de 2071 a 2100.
Verificou-se que as anomalias de temperatura média anual serão variáveis nas
regiões do País, com a maior anomalia ocorrendo nas regiões Norte e Centro-Oeste
na primavera (4,5°C), enquanto que a menor está prevista para ocorrer na região Sul
no verão (2,9°C). Para todas as estações do ano, as menores anomalias
acontecerão na região Sul. Além disso, as maiores anomalias de temperatura média
do ar ocorrerão na primavera, exceto para a região Sul, onde será no inverno (de
junho a agosto).
A região Sul, no entanto, poderá sofrer com anomalias positivas de
precipitação em todas as estações do ano, destacando-se o mês de fevereiro como
o mais chuvoso (5,6 mm/dia) e o mais seco em julho (3,7 mm/dia). Nas demais
regiões, a primavera se sobressairá com anomalias negativas.
Convém destacar que as previsões de uma pequena diminuição da
precipitação apresentadas para o Sul do Brasil por Hamada et al. (2008), foram
obtidas pelos MCGs do AR3. Marengo et al. (2009), utilizando projeções do AR4,
encontraram um aumento para as precipitação no Sul, também verificado por
Hamada et al. (2011) que observaram apenas anomalias positivas.
Melo et al. (2014) utilizaram cinco MCGs do AR4 e também projeções do
modelo regional ETA Black (1994) para a região noroeste do Estado do Rio Grande
do Sul. As projeções indicam um aumento de temperatura superior a 3°C até o fim
do século, e um acréscimo significativo de precipitação, fornecidos principalmente
pelos MGRs.
Estes resultados servem para evidenciar, entre outros aspectos, que o
aperfeiçoamento dos MCGs é necessário para diminuir as incertezas, justificando a
utilização de vários modelos concomitantemente e comparando suas variáveis de
saída e a propagação destas incertezas para o modelo desejado. Além disso, as
projeções fornecidas pelos modelos climáticos permitem investigações a nível
regional, uma vez que as mudanças podem ocorrer de forma desigual até mesmo
dentro do mesmo Estado (MELO, 2013).
30
2.3 Impactos das mudanças climáticas sobre o meio ambiente
Acredita-se que o aumento da temperatura irá acarretar o derretimento de
parte do gelo das calotas polares, elevando o atual nível dos mares e trazendo
sérios prejuízos para a humanidade e para os ecossistemas terrestres,
principalmente nas áreas litorâneas. Em escala global serão sentidas alterações na
umidade atmosférica e nos regimes de precipitação, devido a um ciclo hidrológico
mais ativo, à mudança na circulação atmosférica e oceânica e ao aumento na
capacidade de retenção de vapor de água do ar (BUCKERIDGE, 2007).
É possível que muitas espécies de animais e vegetais sofram com estas
mudanças, necessitando se deslocar para pontos de maior latitude e/ou altitude em
busca de ambientes mais compatíveis com a sua condição natural. As mudanças
climáticas também poderão ter efeitos diretos no crescimento, morfologia, fisiologia,
reprodução, sobrevivência e predisposição das plantas, resultando em alterações na
ocorrência e severidade de doenças. No entanto, não necessariamente, estes
impactos serão negativos. A redução do número de dias com chuva durante o verão,
por exemplo, pode diminuir a dispersão de diversos patógenos (GHINI et al., 2011).
Um zoneamento de risco climático foi realizado no Brasil por Assad et al.
(2008) para oito culturas (algodão, arroz, cana-de-açúcar, feijão, girassol, mandioca,
milho e soja), além das pastagens e gado de corte. Observa-se através dos mapas
que o aumento de temperatura poderá provocar, de um modo geral, uma diminuição
de áreas aptas para o cultivo dos grãos, porém aumento de regiões de baixo risco
climático à cultura da cana e mandioca. Contudo, Ghini et al. (2011) destaca que
esta previsão na distribuição das culturas poderá afetar também o atual quadro das
doenças de plantas.
Segundo Colombo e Pessoa (2014) no período de 1980-2008 foram
mapeadas no Brasil 8,48 milhões de pessoas em áreas de maior risco de seca.
Grande parte desta população vive em áreas semiáridas do Nordeste do país, local
bastante afetado pela falta de chuvas. Outra fração dessa população reside em
diferentes regiões que sofrem com tais eventos, tal como o Rio Grande do Sul, onde
31
a temperatura e a quantidade de chuvas são constantemente afetadas por
fenômenos climáticos como o El Niño e o La Niña.
Este último fenômeno caracteriza-se pelo resfriamento das águas do oceano
pacífico, o qual provoca reduções no índice pluviométrico na região centro-sul do
Brasil, especialmente entre os meses de setembro e fevereiro (COLOMBO e
PESSOA, 2014). Deste modo, alterações nos padrões de ocorrência destes
fenômenos naturais poderão favorecer o aumento do número de municípios que
decretam situação de emergência ou de calamidade pública no Estado.
A ocorrência de eventos recorrentes de estiagem implica um ônus econômico
extremamente alto, em especial para populações mais pobres e vulneráveis a esses
acontecimentos. No caso do Rio Grande do Sul, estimou-se que a ocorrência de
estiagem gera uma redução de 9,2 pontos percentuais na variação do produto per
capita dos municípios, em média, após controle de diversas outras variáveis que
podem afetar a variação do Produto Interno Bruto (PIB). A não aleatoriedade das
regiões geográficas constantemente atingidas, principalmente por secas, gera uma
pressão para que desigualdades regionais de renda sejam mantidas e até mesmo
acentuadas (COLOMBO e PESSOA, 2014).
Essas oscilações entre as variáveis meteorológicas impactam de diferentes
formas à sociedade, não se restringindo apenas ao setor econômico, mas ainda é
possível constatar o empobrecimento das populações, as migrações e as
enfermidades.
Em especial o estado do Rio Grande do Sul sofre com prejuízos que afetam a
sua economia. As reduzidas precipitações durante a estiagem prejudicam
extensivamente a produção agrícola no estado, influenciando todos os estágios de
desenvolvimento das culturas. Já as inundações bruscas e graduais provocam a
perda das colheitas, ainda contribuindo para a contaminação por agrotóxicos e sua
lixiviação nos solos (SAITO et al., 2011).
32
2.4 Índices de eventos climáticos extremos
Evento climático extremo refere-se a um evento raro que ocorre em um
determinado local e época do ano. Eventos extremos isolados não podem ser
diretamente atribuídos à mudança climática antropogênica, pois o evento em
questão pode ter ocorrido naturalmente. Quando um padrão de evento extremo
meteorológico persiste por algum tempo, como por exemplo, ao longo de uma
estação do ano, este pode ser classificado como evento climático extremo (secas ou
chuvas intensas durante a estação) (IPPC, 2007).
Também podem ser definidos como anomalias em relação à climatologia, em
escalas de tempo que podem variar de dias até milênios. É difícil atribuir eventos
extremos ao tempo e ao clima, pois têm diferentes considerações espaciais e
temporais. Recentemente, eventos extremos de curta duração têm sido
considerados como os mais importantes pelos climatologistas, pois alguns modelos
climáticos e estudos de projeções de clima para o futuro apontam maiores
frequências e intensidades destes eventos de curta duração (chuvas intensas, ondas
de calor e frio, períodos secos), temporais e furacões, em cenários de aquecimento
global (MARENGO et al., 2007).
A importância dos estudos de eventos climáticos extremos cresceu nos
últimos anos e com ele a necessidade de se ter dados adequados de boa qualidade.
Esta é uma das dificuldades enfrentada pelos pesquisadores, visto que não há
informações disponíveis, ou estas estão incompletas e mal organizadas,
favorecendo a perda das mesmas (VINCENT et al., 2005).
Na Tabela 2 estão descritos os principais índices para a temperatura e
precipitação encontrados na literatura, sendo RR o valor da precipitação diária. Por
convenção, um dia úmido ou chuvoso tem RR maior ou igual a 1,0 mm e um dia
seco ou não chuvoso tem RR < 1,0 mm. TN é a temperatura máxima e TX é a
temperatura mínima.
33
Tabela 2. Índices de temperatura e precipitação.
Símbolo índice Definição (unidade)
CDD 2, 3, 4, 5, 6, 8 Número máximo de dias consecutivos secos no ano com
RR <1 mm (dias)
CWD 2, 3, 5, 6 Número máximo de dias consecutivos úmidos no ano com
RR >1 mm (dias)
DTR 2, 3 A média da diferença entre TX e TN (°C)
PRCPTOT 2, 3, 5, 6, 8, 9 Precipitação total anual de dias úmidos (mm)
R10 1, 4 Número de dias em 1 ano que a RR ≥ 10mm (dias)
R20 1, 8 Número de dias em 1 ano que a RR ≥ 20mm (dias)
R30 2, 5 Número de dias em 1 ano que a RR ≥ 30 mm (dias)
R95 p 2, 3, 5, 6, 8 Precipitação total anual sobre os dias úmidos em que RR>
percentil 95 (mm)
R99 p 2, 3, 5 Precipitação total anual sobre os dias úmidos em que RR>
percentil 99 (mm)
RX1 2, 3, 5, 8 Máximo de precipitação em 1 dia no ano (mm)
RX5 2, 3, 4, 5, 6, 8 Máximo de 5 dias consecutivo de precipitação no ano (mm)
SDII 1, 3, 4, 7 Precipitação total anual dividida pelo número de dias
úmidos (mm/dia)
SU25 2, 3, 9 Número de dias com TX> 25ºC (dias)
TMAX mean 2 Média anual de TX (°C)
TMIN mean 2, 9 Média anual de TN (°C)
TN 10 p 2, 3, 9 Percentagem de dias com TN <percentil 10 (%)
TN 90 p 2, 3 Percentagem de dias com TN> percentil 90 (%)
TX 10 p 2, 3, 9 Percentagem de dias com TX <percentil 10 (%)
TX 90 p 2, 3, 9 Percentagem de dias com TX> percentil 90 (%)
WSDI 2, 3 Número de dias no ano com pelo menos 6 dias consecutivo
de TX> percentil 90
Fonte: ARAUJO e BRITO, 20111; DERECZYNSKI et al., 2013
2; DONAT et al., 2013
3; KIKTEV et
al.,20034; MELO et al., 2014
5 SANTOS et al., 20096; SANTOS et al., 2013
7; VALVERDE E
MAREGO, 20148; VINCENT et al., 2005
9.
A principal função desses índices é avaliar as mudanças na intensidade,
frequência e duração dos eventos de precipitação e temperatura (ALEXANDER et
34
al., 2006). Por exemplo, o índice (CDD), representa o número máximo de dias
consecutivos com precipitação diária inferior a 1 mm ao longo de um ano.
Os índices climáticos são calculados a partir de dados observados ou
projeções (no caso do uso de modelos climáticos) de variáveis meteorológicas
individuais, tais como a precipitação e a temperatura máxima e mínima. O uso
destes índices tem por objetivo sintetizar informações sobre as mudanças climáticas
(ZWIERS et al., 2013). Contudo, o mais importante é contabilizar os eventos
extremos de curto e/ou longo prazo, devido a seu potencial de causar impactos
significativos (MARENGO et al., 2009).
Um exemplo do uso destes índices pode ser encontrado no trabalho realizado
por Donat et al. (2013). Neste estudo, foram utilizados 17 índices de temperatura e
12 de precipitação, com base em temperaturas diárias máximas e mínimas, além de
observações de precipitação. Os dados foram obtidos através de 7.000 estações
meteorológicas de temperatura e 11.000 de precipitação ao redor do mundo, para o
período de 1901 a 2010.
Os resultados mostraram mudanças significativas para os índices derivados
da temperatura mínima diária ao longo de todos os 110 anos de registro, mas com
tendências mais fortes para as últimas décadas. Observou-se um aquecimento em
todas as estações, sendo mais relevante para os meses mais frios. Os índices de
precipitação também mostraram tendências importantes, porém com mudanças mais
heterogêneas espacialmente em comparação com as mudanças de temperatura. No
entanto, os resultados indicaram mais áreas com tendências significativas de
aumento na quantidade, intensidade e freqüência de precipitação extrema, do que
as áreas com tendências decrescentes.
Dias frios, noites frias e geadas têm se tornado menos frequentes, enquanto
que o número de ocorrência de dias quentes, noites quentes e ondas de calor têm
aumentado na América do Sul (MARENGO et. al., 2009; VINCENT et al., 2005). O
mesmo foi observado por Panda et al. (2014) na India.
Dereczynski et al. (2013) em estudo feito para duas estações no Rio de
Janeiro, utilizaram as projeções do MCG-HadCM3 acoplado com o MCR-Eta 40,
35
considerando o cenário A1B, para calcular índices de eventos extremos no período
futuro (2011-2100) comparando-os com dados observados (1961-1990). Verificarão
que cerca de 40% a 70% dos dias do ano ficaram mais quentes, semelhante ao
observado para as noites quentes (55% a 85% mais frequentes). Também destacam
que as ocorrências de chuvas intensas se tornaram cada vez mais comuns ao ano.
Santos et al. (2009) analisaram 18 postos no Estado do Ceará, obtendo
valores significantes de aumento para os índices de dias consecutivos secos (DCS),
dias consecutivos úmidos (DCU) e mudanças positivas para a precipitação total, o
que concorda com Marengo e Valverde (2007) que também encontraram aumento
de precipitação para o nordeste brasileiro.
Melo et al. (2015) investigaram 7 localizações no noroeste do Estado do Rio
Grande do Sul, para o cenário A1B. Verificaram um aumento expressivo de
precipitação para 4 localizações, enquanto para a localização mais ao sul da região
observou-se uma redução a curto prazo. Revelando que as mudanças podem atingir
de forma desigual uma mesma região.
2.5 Histórico das mudanças climáticas no Estado do Rio Grande do Sul
Devido a sua localização geográfica, o Estado do Rio Grande do Sul é
influenciado pelos principais sistemas atmosféricos, tais como as frentes frias e os
sistemas convectivos de mesoescala (SCM), os quais afetam e determinam a
ocorrência de desastres naturais. Também é influenciado por fenômenos climáticos
de interação oceano-atmosfera como El Niño e La Niña, que representam o
aquecimento e resfriamento das águas do oceano pacífico equatorial,
respectivamente. Tais fenômenos climáticos são determinantes para as ocorrências
de inundações e secas severas na região Sul do Brasil (NEDEL et al., 2010).
As causas das maiores perdas de produtividade agrícola são devido as
estiagem, pois geralmente coincidem com os períodos de cultivo das principais
culturas de verão no RS. As culturas mais vulneráveis à estiagem são: soja, fumo,
milho e feijão, que representam em média 60% do total do valor da produção das
lavouras temporárias no Estado (FOCCHEZATTO e GRANDO, 2009).
36
No estudo realizado por Rodrigues (2011) para o Estado do Rio Grande do
Sul durante o período de 2003 a 2009, verificou-se que os anos com maior
ocorrência de registros de inundações foram 2003 e 2005, com 77 e 20 eventos,
respectivamente. Já Nedel et. al. (2010), também em estudo para o Estado,
observaram que os anos de 2004, 2005 e 2009 resultaram em um número maior de
registros de seca (Figura 7 (a)). Na Figura 7 (b) observa-se que o período de
dezembro a maio concentra maior quantidade de registros de seca.
Figura 7. (a) Números de decretos de ocorrência de seca. (b) Registros ao longo dos meses do ano no Estado do Rio Grande do Sul entre 2003 e 2009. Fonte: Adaptado de Nedel et al., 2010.
A aglomeração urbana da Mesorregião nordeste do Estado que compreende
parcialmente a Bacia do Rio Taquari-Antas, vem mantendo o crescimento de sua
população total a taxas elevadas de 1,34% para o ano de 2000 e 1,69% no ano de
2010, superando o Estado que possui uma taxa de 0,49% a.a., influenciada
principalmente pelo desenvolvimento dos municípios a sudeste da bacia
(microrregião de Caxias do Sul) (STAMM, 2013).
Historicamente a região apresenta regimes torrenciais de escoamentos
superficiais rápidos e bruscas variações de vazões nos rios, devido à declividade
média elevada, rede de drenagem densa com tendência radial, pouca cobertura
vegetal, pouca profundidade e baixa permeabilidade dos solos (FEPAM, 2015).
Segundo estudo de Bombassaro e Robaina (2010), os quais realizaram um
inventário dos desastres naturais associados às inundações ocorridas no período de
1980 a 2007 nos municípios da Bacia do Rio Taquari-Antas, os meses preferenciais
para a ocorrência destes desastres foram julho e outubro (Figura 8 (a)). Na Figura 8
(b) é possível notar que, para o mesmo período, os anos de 1983, 1989, 1990, 1997
4
422396
66
7
151
246
0
50
100
150
200
250
300
350
400
450
2003 2004 2005 2006 2007 2008 2009
N
de d
ecreto
s
Ano(a)
Decretos de seca
0
50
100
150
200
250
300
350
400
450
1 2 3 4 5 6 7 8 9 10 11 12
N
de d
ecre
tos
Mês(b)
Registros de seca por mês
37
e 2001, apresentaram maior número de municípios atingidos por inundações,
causando enormes prejuízos à economia e à infraestrutura urbana.
Figura 8. (a) Registro mensal da ocorrência de inundações na Bacia do Rio Taquari–Antas. (b) Casos de inundações no período de 1980 a 2007 na Bacia do Rio Taquari–Antas. Fonte: Adaptado de Bombassaro e Robaina, 2010.
Apesar dessas informações é necessário compreender o ocorrido, se tais
fenômenos estão crescendo de forma natural ou em decorrência da alteração do uso
do solo e do desenvolvimento da região. Deste modo, a diminuição do potencial de
infiltração, pode agravar eventos antes considerados normais causando danos à
sociedade.
Souza Junior et al, (2012) ao avaliarem a região Sul do Brasil durante o
período de 2001 a 2012 por meio de imagens de satélite, observaram 3 grandes
eventos de estiagens no Rio Grande do Sul que se destacaram perante os outros
Estados. Na Figura 9 são apresentadas as estações do verão e outono de 2005,
verão e outono de 2009 e verão de 2012. As anomalias na vegetação atingiram
grandes áreas, sendo que no verão de 2012, 56% do território foi afetado, seguido
pelo verão de 2005 (40,34%) e o de 2009 (36,98%). Estes percentuais refletiram na
queda de produtividade da soja e do milho, conforme consta no banco de dados da
Fundação de Economia e Estatística (FEE, 2015).
0
1
2
3
4
5
6
7
8
9
1 2 3 4 5 6 7 8 9 10 11 12
N
de r
eg
istr
os
Mês(a)
Registros de inundações por mês
0
3
6
9
12
15
18
21
24
N
de M
un
icíp
ios A
tin
gid
os
Ano(b)
Casos de inundações
38
Figura 9. Mapas de anomalias da vegetação para a região Sul do Brasil. Fonte: Souza Junior et al., 2012.
A Bacia do Rio Taquari-Antas, área de estudo deste trabalho, também foi
fortemente atingida nos verões de 2005 e 2012, confirmando o levantamento
realizado por Rodrigues (2011) no período de 2003 a 2009. Este autor utilizou dados
de desastres ambientais registrados junto a Coordenadoria Estadual de Defesa Civil
do Rio Grande do Sul (CEDEC/RS), destacando que 75,1% destes desastres foram
por estiagens, dos quais 38,5% ocorreram em 2004 e 36,6% em 2005. Este
levantamento também possibilitou verificar que alguns municípios pertencentes à
Bacia de estudo sofreram no mesmo ano com episódios de inundação e estiagem, o
que caracteriza a falta de ações preventivas no sentido de armazenar a água da
chuva em reservatórios para a utilização da mesma em período de estiagem.
39
3. METODOLOGIA
3.1 Caracterização da Área de Estudo
A Bacia do Rio Taquari-Antas (Figura 10) localiza-se a nordeste do Estado do
Rio Grande do Sul, entre as coordenadas geográficas de 28 10’ a 29 57’ de latitude
Sul e 49 56’ a 52 38’ de longitude Oeste. Compreende as províncias
geomorfológicas do Planalto Meridional e Depressão Central, totalizando uma área
de aproximadamente 26.406,05 Km². A bacia abrange total ou parcialmente 118
municípios (SEMA, 2012).
A Bacia faz parte da Região Hidrográfica do Guaíba, sendo o rio Taquari-
Antas o principal afluente do rio Jacuí, que é o maior formador do Lago Guaíba.
Seus principais afluentes pela margem esquerda são os rios Camisas, Tainhas e
Lajeado Grande, e pela margem direita os rios Quebra-Dentes, da Prata, Carreiro,
Guaporé, Forqueta e Taquari-Mirim (FEPAM, 2015).
As nascentes do rio Taquari-Antas localizam-se no extremo leste da Bacia,
com a denominação de rio das Antas até a confluência com o rio Guaporé, quando
passa a denominar-se rio Taquari, desembocando junto ao rio Jacuí. Possui uma
extensão de 530 km desde as nascentes até a foz, sendo que, em 390 km
denomina-se rio das Antas e em 140 km, rio Taquari (LARENTIS et al., 2008).
Larentis (2004) em estudo na Bacia do Rio Taquari-Antas observa que os
regimes de precipitação ao longo do ano são bem distribuídos. Com gradiente
decrescente dos valores médios anuais no sentido da montante para jusante,
apresentando uma média em torno de 1700 mm.
O tipo climático predominante é o subtropical úmido, com duas variedades
principais, segundo o sistema geral de Koeppen: Cfa refere-se ao clima temperado,
com verão mais amenos não atingindo 22°C de temperatura no mês mais quente em
regiões com altitudes inferiores a 600 m e Cfb destaca-se pelo clima subtropical com
verão mais quente alcançando temperaturas superiores a 22°C em altitudes
superiores a 600 m (PAGEL et al., 2015).
40
A bacia possui características físicas e antrópicas diferenciadas, como: áreas
de alto índice de industrialização, áreas com predomínio de produção primária,
zonas intensamente urbanizadas, onde os riscos também se tornam amplos desde a
ocorrência de enchentes/inundações à perda na produção agrícola. Os municípios
integrantes desta bacia concentram 20% do PIB estadual, caracterizando‐se por
possuírem a base econômica voltada para um setor industrial em crescimento.
Quanto ao uso agrícola a área ocupada é maior que um milhão de hectares, com o
predomínio das culturas de milho, soja e arroz nas partes mais planas, ao sul da
bacia. Alguns dos problemas enfrentados na região são em decorrência das
limitações do relevo, da drenagem, o que ocasiona o aumento de riscos a erosão
levando assim ao assoreamento (FEPAM, 2015).
Figura 10. Mapa da Bacia do Rio Taquari-Antas.
3.2 Dados Meteorológicos e Modelos Climáticos
Os dados meteorológicos de temperatura e precipitação são provenientes do
Projeto de Pesquisa “Efeitos de Mudanças Climáticas no Regime Hidrológico de
Bacias Hidrográficas e na Energia Assegurada de Aproveitamentos Hidrelétricos”
41
(LIMA et al., 2014), e os resultados gerados pelo presente trabalho são produtos do
Projeto de Pesquisa “Impacto das Mudanças Climáticas sobre a Agricultura no
Estado do Rio Grande do Sul”, desenvolvido na UFPel.
Na Figura 10 estão indicadas as localizações dos postos considerados neste
trabalho para os quais existem séries temporais diárias de dados meteorológicos
gerados para o período de 2011-2100, bem como para o período de 1961-1990, aqui
denominado como período atual. A Tabela 3 apresenta as características destes
postos.
Tabela 3. Descrição dos postos de estudo.
Cidade Posto Longitude (°) Latitude (°) Altitude (m)
Nova Roma do Sul 1 -51.3831 -29.0054 221
Bento Gonçalves 2 -51.5223 -29.0307 175
Cotiporã 3 -51.6746 -29.0640 102
Os modelos de circulação global (Tabela 4) que originaram os dados
meteorológicos utilizados neste trabalho foram selecionados de acordo com a
metodologia proposta por Cavalcante (2011). Esta metodologia leva em
consideração a capacidade do modelo em simular corretamente os padrões de
chuva observados na América do Sul adotando os seguintes critérios:
1. Aderência da simulação 1980-2000 com a climatologia de chuvas do Brasil;
2. Uso de soluções numéricas diferentes, como volumes finitos e grades ajustáveis;
3. Uso de alta resolução espacial nos submodelos oceânicos e atmosféricos.
Tabela 4. Modelos de Circulação Global utilizados.
Modelos AR4 Sigla País
1 CCSM3 NRCCCSM Estados Unidos
2 ECHAM5/MPI-OM MPEH5 Alemanha
3 GFDL-CM 2.1 GFCM21 Estados Unidos
4 MRI-CGCM 2.3.2 MRCGCM Japão
5 UKMO-HadCM3 HADCM3 Estados Unidos
Fonte: Adaptado de Flato et al., 2013.
42
1. NRCCCSM: O modelo CCSM (Community Climate System Model) é um modelo
climático global integrado por quatro modelos geofísicos que simulam
simultaneamente os sistemas superfície (Community Land Model - CLM), atmosfera
(Community Atmosphere Model - CAM), mar-gelo (Community Sea-Ice Model -
CSIM) e oceano (Parallel Ocean Program - POP) e estão interligados por um
acoplador central (VERTEINSTEIN et al., 2004) ;
2. MPEH5: Quinta versão deste modelo, se comparado com o seu predecessor
ECHAM4, é mais flexível e devido às modificações realizadas no seu código, ele
produz simulações climáticas significativamente diferentes das versões anteriores. O
modelo é composto por um núcleo dinâmico espectral, um esquema de transporte
advectivo de traços para os componentes da água (sólido, líquido e vapor) e
substâncias químicas, um sistema de parametrização física que envolve esquemas
de radiação de onda curta e longa, estratificação de nuvens, difusão horizontal e
vertical, processos na superfície da Terra, entre outros (ROECKNER et al., 2003,
2004);
3. GFCM21: Este modelo foi desenvolvido para simular mais realisticamente uma
faixa de fenômenos de flutuações de escala diurna e temporais (eventos extremos)
em escala sinóptica para o clima ao longo de séculos. Da mesma forma, este
modelo é composto por outros modelos (atmosfera, superfície, oceano e mar-gelo)
interligados por um acoplador central. O modelo CM2.1 incorpora várias mudanças
com relação à versão anterior CM2.0, que visam reduzir o viés das simulações,
como, por exemplo, na componente da superfície terrestre, a evaporação é
suprimida quando o solo está congelado a uma profundidade maior que 30 cm
(DELWORTH et al., 2006);
4. MRCGCM: Este modelo foi desenvolvido para ser capaz de examinar mudanças
climáticas transientes associadas às forçantes antropogênicas tais como a emissão
de gases do efeito estufa e aerossóis de sulfato. O modelo já apresentou bons
desempenhos para simulações dos fenômenos ENSO (El Niño e Southern
Oscillation), as monções asiáticas de verão, entre outros. É também um exemplo de
modelo global acoplado (YUKIMOTO et al., 2001);
43
5. HADCM3: Este é um dos modelos mais utilizados nas previsões e análises
emitidas pelo Terceiro e Quarto Relatório do IPCC. Foi o primeiro modelo a não
necessitar de ajustes artificiais de fluxos de calor e água para obtenção de boas
simulações. Foi desenvolvido para produzir simulações por períodos de mil anos. É
composto por duas componentes: modelo atmosférico (HadCM3) e o modelo
oceânico (que inclui o modelo mar-gelo). As simulações são feitas para anos de 360
dias, 30 dias cada mês (GORDON et al., 2000).
Além destes MCGs, foram utilizadas também as projeções realizadas pelo
modelo ETA. Este modelo é descendente do modelo HIBU (Hydrometeorological
Institute and Belgrade University) previamente desenvolvido por Mesinger e Janjic
(1974). Trata-se de um modelo de circulação regional (MCR) que acopla o modelo
circulação global HADCM3 como condição de contorno lateral para simulações em
mesoescala (BLACK, 1994; CHOU et al., 2014). O acoplamento do modelo global a
este regional resultou em simulações de quatro membros que serão considerados
neste trabalho - Ctrl, Low, Mid e High - representando a sensibilidade climática, ou
seja, as variações de baixa, média e alta alteração aos parâmetros utilizados por
este modelo até o final do século XXI.
As resoluções horizontais consideradas pelo modelo ETA foram de 40 km e
20 km, gerando mais 5 projeções de mesoescala (regional), a serem utilizadas:
6. ETA 40 - CTRL;
7. ETA 40 - LOW;
8. ETA 40 - MID;
9. ETA 40 - HIGH;
10. ETA 20 - CTRL.
Assim, para cada um dos 3 postos apresentados na Tabela 3, existem 10
conjuntos de dados meteorológicos, derivados destes diferentes modelos no cenário
A1B os quais servirão, de base para a análise de incertezas das variáveis
climatológicas.
44
3.2.1 Método de remoção de viés nas projeções climáticas
Os modelos climáticos não conseguem representar perfeitamente o clima do
presente e futuro, ou seja, seus resultados apresentam erros. Esses erros ou
viesses são sistemáticos e causados por uma imperfeita conceptualização dos
fenômenos e processos que governam o clima e pela influência da discretização
espacial dos modelos (TEUTSCHBEIN e SEIBERT, 2012). Neste sentido técnicas de
remoção de viés são empregadas para corrigir as variáveis climatológicas evitando à
propagação dos erros as demais etapas de análise.
Segundo Collischonn et al. (2014), a metodologia de remoção de viés
denominada Taxa de Câmbio (Delta Change – GELLENS e ROULIN, 1998) é
baseada no cálculo das anomalias entre os valores estimados pelos modelos
climáticos no período atual e no período futuro. O valor da anomalia é
posteriormente utilizado para perturbar a série observada da variável no período
atual, gerando a série corrigida a ser utilizada nos períodos futuros. Essa
metodologia foi aplicada no caso dos dados dos modelos globais.
O método seguiu o seguinte procedimento (COLLISCHONN et al., 2014):
1. Cálculo dos valores das normais climatológicas a partir da série temporal
estimada pelo modelo climático no período atual.
2. Cálculo dos valores das normais climatológicas a partir da série temporal
estimada pelo modelo climático nos períodos futuros.
3. Estimativa da taxa de câmbio: quociente entre os valores das normais
climáticas nos períodos futuros e os valores das normais climatológicas no período
atual para todas as variáveis, exceto para a temperatura, sendo realizada a
operação de subtração. Isso resultou em uma taxa de câmbio para cada mês do
ano.
4. Obtenção da série temporal das variáveis climatológicas nos períodos futuros:
multiplicação dos valores diários da série de dados (ETA 40 CTRL) no período atual
pelas taxas de câmbio estimadas em 3 e somente adição para a variável
temperatura. Isto é, todos os valores diários do mês de janeiro são multiplicados
45
pela taxa de câmbio de janeiro, todos os valores diários do mês de fevereiro são
multiplicados pela taxa de câmbio de fevereiro, etc. Esse procedimento é repetido
até todos os dados observados serem perturbados pelas taxas de câmbio de cada
mês.
5. Verificação dos valores diários da série temporal corrigida não superando
limites físicos, como por exemplo, umidade relativa do ar superior a 100%. Caso os
limites físicos fossem superados, o valor da variável naquele dia seria limitado ao
valor do limite físico.
Em função da limitação de séries longas de dados observados na bacia
analisada, neste trabalho as séries temporais perturbadas foram obtidas após a
remoção do viés no membro controle (CTRL) do modelo ETA-40.
O procedimento de remoção do viés foi aplicado, de forma independente, aos
valores das variáveis climatológicas estimados pelos diferentes modelos globais
para a precipitação e temperatura.
3.3 Processos Estatísticos
Cada posto apresenta dados diários de temperatura (T, °C) e precipitação (P,
mm) referentes ao período atual (1961-1990) e períodos futuros (2011-2040, 2041-
2070 e 2071-2100), para os modelos descritos anteriormente.
1. Inicialmente, foram elaboradas tabelas no programa Microsoft Excel modelo
2010, processando os dados diários de todo o período em médias anuais de T e P
anual acumulada. Em busca de uma melhor apresentação dos dados, foram
construídos gráficos com as tendências de cada modelo, indicando aumento ou
diminuição de T e P. Após determinou-se a média para o intervalo de 30 anos dos
períodos futuros representados pelos anos centrais de cada período (2025s, 2055s e
2085s) e período atual, a cada um dos modelos utilizados.
2. Em seguida, foram calculadas as anomalias de T e P para o mesmo intervalo
disposto anteriormente. Construindo-se gráficos com as anomalias projetadas de
cada modelo para ambos os postos. A anomalia considerada neste trabalho é
46
definida como a diferença entre as médias de T ou P do período futuro com relação
ao período atual.
3. Realizou-se também uma abordagem sazonal (mensal), para identificar os
meses com maior aumento ou diminuição de T e P e assim identificar os impactos
mais importantes em cada época do ano. Para facilitar a apresentação dos
resultados, as análises foram agrupadas em média dos modelos regionais (RM) e
globais (GM) e em seguida foi calculada a anomalia para cada período.
4. A etapa seguinte consistiu na investigação de eventos extremos de P. Não
foram calculados índices para T, pois apenas dados de temperatura média estavam
disponíveis, e seriam necessários dados de T mínima e máxima. Os índices
utilizados correspondem aos índices destacados em negrito na Tabela 2.
5. Os índices mencionados foram obtidos para cada modelo (MCG e MCR), em
cada localização e para cada ano no período de 2011 a 2100. Porém os resultados
serão apresentados para cada período futuro (2025s, 2055s e 2085s), tomando-se a
média de cada período de 30 anos de cada índice.
3.3.1 Teste de Mann-Kendall
De acordo com Goossens e Berger (1986), o teste estatístico não paramétrico
de Mann-Kendall (KENDALL, 1975; MANN, 1945) é o método mais adequado para
analisar mudanças climáticas em séries meteorológicas.
Este teste considera que, na hipótese de estabilidade de uma série, a
sucessão de valores ocorre de forma independente, e a distribuição de probabilidade
deve permanecer sempre a mesma (série aleatória simples) (BACK, 2001).
Back (2001) e Moraes et al. (1995) descrevem o método considerando uma
série temporal de Xi de N termos 1 i N . O teste consiste na soma tn do número
de termos mi da série, relativo ao valor Xi cujos termos precedentes j i são
inferiores ao mesmo Xj Xi , isto é:
tn mini 1 Equação 1
47
Para séries com grande número de termos, (N) sob a hipótese nula H0 de
ausência de tendência, tn apresentará uma distribuição normal com média (E (tn)) e
variância (Var (tn)):
E tn N N-1
4 Equação 2
Var tn N N-1 (2N 5)
72 Equação 3
Testando a significância estatística de tn para a hipótese nula usando em
teste bilateral, esta pode ser rejeitada para grandes valores da estatística u t dada
por:
u t tn E tn
Var tn Equação 4
O valor da probabilidade é calculado por meio de uma tabela da normal
reduzida tal que:
1 prob u u t Equação 5
A hipótese nula é rejeitada, ou não, a um nível de significância se 1 0
ou 1 0, respectivamente. Em geral, considera-se o nível de significância do teste
0 0,05. A hipótese nula é rejeitada quando existe uma tendência significativa na
série temporal. O sinal da estatística u t indica se a tendência é crescente u t 0
ou decrescente u t 0. Este teste foi realizado através do programa Matlab.
48
4. RESULTADOS E DISCUSSÃO
4.1 Análise das projeções de temperatura e precipitação
Na Tabela 5 estão apresentadas as médias de temperatura e precipitação
anual acumulada previstas ao longo do século XXI, representadas pelos anos
centrais de cada período (2025s, 2055s e 2085s) para cada um dos modelos
climáticos utilizados. O período atual consiste em uma média de todas as projeções
do modelo ETA. Informações mais detalhadas sobre estas projeções estão
apresentadas nos gráficos do apêndice A.
Todas as projeções de temperatura apresentaram aumento, exceto a
projeção do modelo ETA 40 LOW para os postos 2 e 3, os quais demostraram uma
diminuição ao longo do século XXI. No entanto, observa-se no gráfico deste modelo
na Figura A2 e A3 do apêndice A, que o comportamento do mesmo não é normal,
com grandes variações interanuais. Este comportamento pode ser justificado devido
a algum erro nos dados ou no decorrer da correção de viés para esta projeção.
A projeção do ETA 40 HIGH em todo o período futuro para o posto 1
apresenta os maiores aumentos de temperatura, concordando com os postos 2 e 3
para os períodos de 2025s e 2055s. Já o modelo HADCM3 sugere os maiores
aumentos para 2085s nesses postos.
Estes resultados reafirmam a perspectiva de alteração dos padrões da
temperatura média da superfície da Terra, atingindo, no posto 1, uma anomalia de
4,3°C no final do século. Tais mudanças poderão resultar em efeitos diversos sobre
o ambiente e consequências diretas a sociedade, incluindo os recursos hídricos, a
agricultura e segurança alimentar, a saúde humana, os ecossistemas naturais e sua
biodiversidade (LEITE et al., 2012).
O aumento da temperatura também poderá favorecer o crescimento e
prolongamento no período de reprodução de bactérias, fungos, vírus e mosquitos,
causando aumento na incidência de doenças infecciosas (CONFALONIERI et al.,
2002).
49
Tabela 5. Projeções de aumento/diminuição de temperatura e precipitação anual acumulada ao longo do século XXI.
Variável Modelo Posto 1 Posto 2 Posto 3
Temperatura (°C)
Atual (*) 2025s 2055s 2085s Atual (*) 2025s 2055s 2085s Atual (*) 2025s 2055s 2085s
14.8
16.8
17.3
ETA 20
16.1 17.1 17.9
18.1 19.2 20.0
18.5 19.6 20.3
ETA 40 CTRL
16.1 17.1 18.1
18.1 19.1 18.1
18.5 19.5 18.1
ETA 40 HIGH
16.3 17.5 19.1
18.4 19.5 19.1
18.8 19.9 19.1
ETA 40 LOW
15.7 15.8 17.5
15.7 15.8 17.5
15.7 15.8 17.5
ETA 40 MID
16.3 17.4 18.7
18.3 19.4 18.7
18.7 19.8 18.7
GFCM21
15.7 17.0 17.5
17.9 19.3 19.9
18.3 19.6 20.2
HADCM3
15.9 16.8 18.0
18.0 19.0 20.3
18.4 19.4 20.6
MPEH5
15.6 16.2 17.3
17.7 18.4 19.6
18.1 18.8 20.0
MRCGCM
15.4 16.2 16.5
17.5 18.3 18.6
17.9 18.7 19.0
NRCCCSM
15.9 16.6 17.1
18.0 18.8 19.3
18.4 19.2 19.7
Precipitação anual
acumulada (mm/ano)
1681.9
1712.5
1684.3
ETA 20
2038.1 2257.8 2390.9
2056.5 2271.6 2403.8
1974.8 2139.7 2263.5
ETA 40 CTRL
2034.9 2216.5 2312.5
2070.1 2229.4 2371.1
2023.8 2190.0 2303.4
ETA 40 HIGH
1939.4 2160.2 2367.6
1934.0 2131.3 2324.7
1884.6 2075.3 2263.6
ETA 40 LOW
1931.9 2089.2 2382.8
1976.9 2162.9 2502.7
1909.5 2097.0 2392.5
ETA 40 MID
2029.9 2338.4 2267.1
2058.1 2341.7 2242.3
2001.9 2279.0 2192.4
GFCM21
1808.9 1578.8 1513.8
1811.6 1560.3 1508.5
1793.1 1546.1 1500.3
HADCM3
1676.0 1835.8 1822.2
1703.3 1883.0 1854.3
1685.8 1859.8 1834.5
MPEH5
1758.9 1962.9 2036.2
1771.9 1963.7 2051.2
1744.9 1916.9 2012.3
MRCGCM
1763.1 1999.0 2014.0
1788.4 2024.9 2079.8
1762.8 1998.9 2060.4
NRCCCSM
1783.2 1812.8 1833.0
1833.0 1874.6 1909.5
1794.4 1850.4 1878.7 (*) média entre todas as projeções do modelo regional ETA.
50
Pellegrino et al. (2007) simularam cenários de aumento de temperatura de
1°C, 3°C e 5,8°C associados ao acréscimo de até 15% na precipitação. Os autores
observaram um aumento na área inapta para o plantio de soja no Estado do Rio
Grande do Sul à medida que a temperatura se eleva. Enquanto Jalota et al. (2013),
ao analisar o aumento das temperaturas máximas e mínimas na Índia, observou
uma queda na produtividade de trigo e arroz, o que é reflexo da diminuição de até 24
dias no período de cultivo. Desta forma, a agricultura sofrerá grandes mudanças
devido a essas projeções, ou seja, o desenvolvimento de plantas mais resistentes ao
aumento de temperatura serão necessárias.
As projeções de precipitação ao longo do século mostram um aumento mais
elevado nos MCRs em comparação com os MCGs (Tabela 5). O modelo GFCM21
nos postos 1, 2, e 3 no período de 2055s e 2085s é o único que indica uma
diminuição na precipitação anual acumulada, enquanto o modelo HADCM3
apresenta este comportamento para os postos 1 e 2 no período de 2025s.
Nos MCRs, entre as projeções com maior acréscimo de precipitação anual
acumulada quando comparadas com o período atual, destacam-se: no período de
2025s, do modelo ETA 20 no posto 1 e o ETA 40 CTRL nos postos 2 e 3; em 2055s
o modelo ETA 40 MID nos postos 1, 2 e 3; em 2085s as projeções do ETA 20 no
posto 1 e ETA 40 LOW nos postos 2 e 3.
A maior anomalia é esperada para o posto 2 na projeção do ETA 40 LOW no
final do século com 790 mm, correspondendo a quase a metade do que foi
registrado no passado em um ano. Este aumento de precipitação poderá ser
responsável por elevações nas vazões médias dos rios da Bacia do rio Taquari-
Antas, no sentido montante-jusante, o que agravará a situação das cidades que
estão localizadas mais a jusante devido ao grande volume de escoamento, gerando
inundações.
Geralmente as regiões que sofrem com esse problema apresentam alto índice
de construções irregulares revelando a vulnerabilidade das populações que ali
residem. O sistema sanitário adotado muitas vezes não é o adequado, como fossas
sépticas rudimentares ou valas a céu aberto. Quando somadas à susceptibilidade de
alagamentos/enchentes e as deficiências do serviço público de esgotamento
51
sanitário, aumentam o índice de desigualdade social, assim como o surgimento de
doenças infecciosas (ASMUS et al., 2013).
Alguns pesquisadores acreditam que essas mudanças aparentemente são
equilibradas, pois à medida que a temperatura se eleva, tanto a taxa de evaporação
quanto a capacidade de retenção de água da atmosfera também aumentam. Com
maior vapor d’água na atmosfera, as chuvas convectivas tornam-se mais intensas,
muitas vezes como enchentes (BANCO MUNDIAL, 2010). Blanc (2012) justifica que
essa compensação da precipitação com o acréscimo de temperatura, até certo
ponto é benéfico para aumento de rendimentos nas culturas do milho e sorgo. Desta
forma, é possível que esta compensação tenha impactos positivos sobre a
agricultura da região.
As projeções de temperatura e precipitação no período futuro de 2011 a 2100,
bem como do período atual de 1960 a 1990 podem ser observadas na Figura 11.
Cada curva nestes gráficos representa a média dos três postos para cada modelo.
Para comparação dos MCGs com o período atual (1960-1990) foram consideradas
as projeções do ETA 40 CTRL, uma vez que este modelo foi utilizado para a
geração dos dados diários dos modelos globais.
O comportamento dos gráficos é cíclico devido à metodologia do cálculo de
correção de viés para cada período futuro de 30 anos. É possível observar que a
temperatura e a precipitação acumulada ao longo do período sofrerão tanto com a
mudança de variabilidade quanto de tendência.
Os excessos podem ser benéficos para as atividades dependentes de
precipitação como agricultura, silvicultura, produção hidrelétrica e ecossistemas
alagadiços, porém uma persistência de condições anormalmente úmidas também
pode causar efeitos graves, como inundações e atrasos nas colheitas (MARENGO
et al., 2009).
52
Figura 11 (continua). Projeções de temperatura e precipitação anual acumulada para os MCGs e
MCRs ao longo do período estudado.
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - ETA 20
T - ETA 20
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - ETA 40 CTRL
T - ETA 40 CTRL
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - ETA 40 HIGH
T - ETA 40 HIGH
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - ETA 40 LOW
T - ETA 40 LOW
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - ETA 40 MID
T - ETA 40 MID
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100T
em
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - GFCM21
T - GFCM21
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - HADCM3
T - HADCM3
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - MPEH5
T -MPEH5
53
Figura 11 (continuação). Projeções de temperatura e precipitação anual acumulada para os MCGs e
MCRs ao longo do período estudado.
Na Figura 11 também podem ser extraídas algumas projeções sobre a Bacia
do rio Taquari-Antas. Analisando as características da mesma em paralelo, a parte
leste e norte concentram a porção mais agricultável, onde os impactos
possivelmente serão mais positivos, não havendo escassez de água para as
culturas, instigando ainda mais o desenvolvimento desta região. Contudo o uso
incorreto, pelo homem também pode causar impactos negativos nesta região da
bacia devido à intensa modificação do solo e irregularidades do relevo criando
condições favoráveis para que o processo erosivo se intensifique.
Segundo Marengo (2009) o desmatamento é outro fator agravante, pois
favorece o aumento do escoamento superficial. O tipo de solo, assim como as
condições de uso após o desmatamento podem interferir na quantidade de
sedimentos carreados, pelo excesso de precipitação podendo desenvolver um
problema de erosão.
As condições mais desfavoráveis estão presentes em solos desprovidos de
cobertura vegetal, compactados e recentemente movimentados através de cultivos
intensos, originando efeitos como o aumento na desagregação das partículas dos
solos, diminuição da capacidade de infiltração de água e consequentemente
aumento do escoamento superficial.
Este aumento de escoamento pode ocorrer mesmo com a conservação do
solo, através de práticas agrícolas, introduzindo outros efeitos de variabilidade ao
longo do ano como o aumento da erosão e a poluição difusa (TUCCI, 2002).
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - MRCGCM
T -MRCGCM
0
5
10
15
20
25
800
1300
1800
2300
2800
3300
3800
4300
1960 1980 2000 2020 2040 2060 2080 2100
Tem
pera
tura
(ºC
)
Pre
cip
itação
Acu
mu
lad
a (
mm
)
Ano
P - NRCCCSM
T - NRCCCSM
54
A lixiviação de agroquímicos utilizados na agricultura também contribui para a
degradação dos solos, perda de produtividade e sustentabilidade necessitando-se
do uso cada vez mais indiscriminado de tais produtos para manter os níveis de
produção das culturas. Porém pode haver uma compensação em razão da carga de
efluentes domésticos e industrial a qual ficaria mais diluída.
A qualidade da água depende da vazão nos rios. Quanto maior a vazão
(devido a maiores precipitações projetadas), maior será a capacidade de diluição
dos corpos de água. No entanto, deve-se considerar outro efeito que é o aumento da
demanda bentônica (carga no fundo dos rios) quando a vazão aumenta a erosão do
fundo incorpora esta carga no volume transportado pelo rio, reduzindo a sua
qualidade (TUCCI, 2002).
A região centro-sul destaca-se por ser mais plana que o restante da bacia,
onde encontram-se as cidades com maior grau de desenvolvimento industrial e
adensamento populacional, caracterizando a parte mais impermeável da bacia. Isto
potencializa os possíveis impactos negativos pelo aumento da precipitação, a qual
ocasionaria escoamento superficial devido a maior impermeabilização do solo,
deposição de sedimentos originários das partes mais altas, assoreando o fundo do
rio e intensificando o risco de inundações.
4.2 Anomalias de temperatura e precipitação
A anomalia é definida como a diferença entre as médias de temperatura (°C) e
precipitação acumulada (mm/ano) do período futuro com relação ao período atual.
Na Figura 12 são observadas essas anomalias projetadas por MCRs e MCGs para
cada posto nos períodos futuros.
55
Figura 12. Anomalias de temperatura e precipitação anual acumulada projetada por MCRs e MCGs para cada posto nos períodos futuros.
No posto 1 todos os modelos concordam que as maiores anomalias de
temperatura serão no final do século (2085s). O mesmo é observado para os MCGs
dos postos 2 e 3. Já no posto 2 apenas as projeções do ETA 20 mantém essa
perspectiva. No entanto, o ETA 40 LOW também indica aumento no final do século,
porém no período 2025s e 2055s prevê uma diminuição mais expressiva que o
aumento, refletindo aproximadamente uma anomalia de -1,1 °C na temperatura
média da superfície. O posto 3 se assemelha com o posto 2, destacando-se apenas
-2.5
-1.5
-0.5
0.5
1.5
2.5
3.5
4.5
An
om
ali
a d
e T
em
peratu
ra ( C
)
Modelo(a)
Posto 12025s
2055s
2085s
-300.0
-200.0
-100.0
0.0
100.0
200.0
300.0
400.0
500.0
600.0
700.0
800.0
An
om
ali
a d
e P
recip
itação
(m
m)
Modelo(d)
Posto 1
2025s
2055s
2085s
-2.5
-1.5
-0.5
0.5
1.5
2.5
3.5
4.5
An
om
ali
a d
e T
em
peratu
ra ( C
)
Modelo(b)
Posto 22025s
2055s
2085s
-300.0
-200.0
-100.0
0.0
100.0
200.0
300.0
400.0
500.0
600.0
700.0
800.0
An
om
ali
a d
e P
recip
itação
(m
m)
Modelo(e)
Posto 2
2025s
2055s
2085s
-2.5
-1.5
-0.5
0.5
1.5
2.5
3.5
4.5
An
om
ali
a d
e T
em
peratu
ra ( C
)
Modelo(c)
Posto 32025s
2055s
2085s
-300.0
-200.0
-100.0
0.0
100.0
200.0
300.0
400.0
500.0
600.0
700.0
800.0
An
om
ali
a d
e P
recip
itação
(m
m)
Modelo(f)
Posto 3
2025s
2055s
2085s
56
que a anomalia da temperatura alcançará -1,6 °C em 2025s e -1,5 °C em 2055s para
este modelo.
Os MCRs apresentam uma anomalia na precipitação superior aos MCGs,
principalmente no final do século, exceto as projeções do ETA 40 MID que prevê a
maior anomalia para 2055s. Comportamento semelhante é observado para o modelo
HADCM3, que a curto prazo não indica alteração de precipitação com relação ao
período atual. Ainda o modelo GFCM21 revela uma anomalia positiva de 127 mm no
período 2025s e posteriormente apresenta uma anomalia negativa que chegará a -
103 mm em 2055s e a -168 mm em 2085s. Comportamentos semelhantes são
demonstrados pelos postos 2 e 3 para este modelo.
Esses resultados relevam o grande potencial da região sul sobre a geração
de energia elétrica por fontes hídricas, pois as perspectivas para o futuro no geral
são bem otimistas. Bravo et al. (2014) em estudo sobre todas as usinas
hidroelétricas do Sistema Interligado Nacional (SIN) destaca, através da utilização
de um modelo hidrológico, que são previstas reduções de vazões em quase todas
as usinas localizadas ao norte do paralelo 20°S, enquanto aumentos de mais de
15% são esperados nas vazões dos rios das usinas localizadas ao sul do mesmo
paralelo. Essa zona de transição coincide aproximadamente com as divisas dos
Estados de São Paulo, Minas Gerais e Goiás. Estados que já começam a sentir
esses reflexos da escassez de água, prejudicando principalmente a qualidade da
água para abastecimento e também as reduções nas barragens das usinas
hidrelétricas. Gerando uma pressão sobre o sistema de energia elétrica dos Estados
do Paraná, Santa Catarina e Rio Grande do Sul que devido à escassez dos outros
estados acabam bombardeados por novos empreendimentos.
Apesar de o sistema hidrelétrico apresentar uma grande interligação
energética, o que reduz o risco de falha do sistema como um todo, grande parte do
conjunto de usinas hidrelétricas está localizado na região Sudeste, o que concentra
o risco de falha do ponto de vista espacial, porque as diversas usinas estão sujeitas
a variabilidades climáticas simultâneas.
A topografia da região da Bacia do rio Taquari-Antas caracteriza-se pela
presença de vales encaixados, o que favorece a instalação de pequenas centrais
57
hidrelétricas (PCHs). A Aneel (2015), em seu último relatório publicado em maio,
destaca a aprovação de várias PCHs na região da Bacia, principalmente nos
afluentes do rio Taquari-Antas como os rios: Forqueta, Guaporé, Carneiro e Prata
atingindo mais de 40 unidades além dos existentes. Esta consequência é
principalmente em relação à projeção de maior quantidade de água disponível para
esta região como observado neste trabalho e por Bravo et al. (2014).
Os impactos gerados a partir de PCHs são menores quando comparados com
grandes usinas, mas mesmo assim devem ser avaliadas as principais
transformações neste ambiente, pois alterações no microclima poderão ser sentidas,
devido ao elevado número de empreendimentos. Becker et al. (2013) preocupados
com esses possíveis impactos, realizaram um inventário das espécies de peixes
dessa bacia e revelam o alto grau de endemismo e a presença de Salminus
brasiliensis uma espécie na lista de ameaçados de extinção. Desta forma, esses
levantamentos mostram que a vida aquática e também os outros seres podem sofrer
com a ameaça da ampliação do sistema de PCHs nesta bacia, ocasionando grandes
mudanças/perdas caso não forem observadas e consideradas.
4.3 Análise sazonal
As projeções mensais de temperatura fornecidas pelos MCGs e MCRs aos
diferentes postos foram agrupadas em médias globais (GM) e regionais (RM). Na
Tabela 6 estão apresentados os resultados desta variável para os três períodos
futuros (2025s, 2055s e 2085s) e à média do período atual (1960-1990) para
comparação. No caso da precipitação acumulada mensal, os resultados foram
trabalhados da mesma forma que a variável temperatura, mas demonstrados por
meio de gráficos (Figura 13, a-c), uma vez que a magnitude das diferenças tornam-
se mais perceptíveis.
58
Tabela 6 (continua). Médias mensais das projeções de temperaturas para os MCGs
e MCRs.
Mês Período Posto 1 Posto 2 Posto 3
GM RM GM RM GM RM
Jan Atual 18.5 21.1 21.6
2025s 19.5 20.0 22.2 22.0 22.7 22.4
2055s 20.4 20.7 23.0 22.8 23.5 23.1
2085s 20.9 21.7 23.7 22.2 24.1 22.3
Fev Atual 18.9 21.2 21.7
2025s 20.5 21.3 22.9 22.6 23.4 22.9
2055s 19.8 20.5 22.1 22.3 22.6 22.7
2085s 20.5 21.2 22.8 23.0 23.3 23.4
Mar Atual 17.6 19.7 20.1
2025s 18.6 19.1 20.8 20.8 21.2 21.1
2055s 19.5 19.9 21.7 21.5 22.1 21.8
2085s 20.4 20.3 22.6 20.7 23.0 20.8
Abr Atual 14.7 16.8 17.2
2025s 15.9 16.0 18.1 17.7 18.4 17.9
2055s 16.7 16.7 18.9 18.4 19.3 18.6
2085s 17.6 17.3 19.9 17.7 20.2 17.7
Mai Atual 12.5 14.3 14.8
2025s 13.7 13.7 15.6 15.2 16.1 15.5
2055s 14.5 14.7 16.4 16.2 16.8 16.5
2085s 15.3 15.1 17.2 15.4 17.7 15.5
Jun Atual 10.9 12.3 12.9
2025s 11.9 12.1 13.4 13.2 13.9 13.6
2055s 12.7 13.1 14.3 14.2 14.8 14.6
2085s 13.5 13.4 15.1 13.6 15.6 13.7
Jul Atual 11.2 12.4 13.0
2025s 12.2 12.6 13.5 13.5 14.0 14.0
2055s 13.0 13.7 14.3 14.6 14.9 15.0
2085s 13.8 13.8 15.2 14.1 15.7 14.2
Ago Atual 11.5 13.1 13.4
59
Tabela 6 (continuação). Médias mensais das projeções de temperaturas para os
MCGs e MCRs.
Mês Período Posto 1 Posto 2 Posto 3
GM RM GM RM GM RM
2025s 12.5 12.8 14.2 14.1 14.5 14.3
2055s 13.6 13.9 15.4 15.1 15.6 15.3
2085s 14.3 14.7 16.2 15.0 16.4 15.0
Set Atual 13.1 14.8 15.2
2025s 14.0 14.5 15.8 15.8 16.1 16.1
2055s 15.0 15.5 16.9 16.9 17.2 17.2
2085s 15.8 16.1 17.7 16.5 18.0 16.5
Out Atual 14.1 16.6 16.9
2025s 15.2 15.7 17.8 17.7 18.0 17.9
2055s 15.9 16.6 18.6 18.7 18.8 18.8
2085s 16.7 18.1 19.4 18.5 19.6 18.6
Nov Atual 15.5 18.5 18.7
2025s 16.4 17.1 19.5 19.5 20.6 19.6
2055s 17.4 17.7 20.5 20.1 21.7 20.2
2085s 18.0 19.2 21.2 19.8 22.5 19.8
Dez Atual 17.6 19.9 20.5
2025s 18.5 19.0 21.0 20.9 21.6 21.4
2055s 19.5 19.9 22.0 21.7 22.5 22.2
2085s 20.0 20.0 22.5 20.4 23.0 20.6
GM: média das projeções dos MCGs, RM: média das projeções dos MCRs.
Os dados mensais contidos na Tabela 6 demonstram que as maiores
temperaturas para o posto 1 são fornecidas pelos MCRs (todos os meses, exceto
em 2085s para março, abril, maio e junho), enquanto que para os postos 2 e 3 são
os MCGs. Em alguns casos, ambos concordam com a mesma projeção, como é o
caso do mês de setembro para o período de 2025s. No período atual, o posto 1
apresenta as menores médias de temperatura seguidas pelos postos 2 e 3,
comportamento que permanecerá ao longo do século para todos os meses.
60
Os meses de janeiro e fevereiro se destacam por apresentarem as maiores
temperaturas, mas fevereiro é o único mês que apresenta maior aumento no período
de 2025s em todos os postos, enquanto que o mês de junho permanecerá com as
menores médias. Hamada et al. (2011) concordam com esses resultados, mas citam
o mês de julho com as menores médias de temperatura para a região sul do Brasil.
A estação do inverno em relação à estação do verão sofrerá mais com os
aumentos de temperatura, o que pode implicar em menor ocorrência de dias frios e
geadas no ano, comportamento também encontrado por Donat et al. (2013),
Hamada et al. (2008), Melo et al. (2014) e Marengo et al. (2009). Temperaturas
maiores no inverno, talvez sejam responsáveis pela antecipação das culturas deste
período, principalmente os cereais que compõem as pastagens na criação de gado.
(a)
(b)
Figura 13 (continua). Médias mensais das projeções de precipitação para os MCGs e MCRs a) posto 1, b) posto 2, c) posto 3.
60.0
90.0
120.0
150.0
180.0
210.0
240.0
270.0
1 2 3 4 5 6 7 8 9 10 11 12
Pre
cip
itaç
ão M
édia
(m
m)
Mês
RM
Atual 2025s
2055s 2085s
60.0
90.0
120.0
150.0
180.0
210.0
240.0
270.0
1 2 3 4 5 6 7 8 9 10 11 12
Pre
cip
itaç
ão M
édia
(m
m)
Mês
GM
Atual 2025s
2055s 2085s
60.0
90.0
120.0
150.0
180.0
210.0
240.0
270.0
1 2 3 4 5 6 7 8 9 10 11 12
Pre
cip
itaç
ão M
édia
(m
m)
Mês
RM
Atual 2025s
2055s 2085s
60.0
90.0
120.0
150.0
180.0
210.0
240.0
270.0
1 2 3 4 5 6 7 8 9 10 11 12
Pre
cip
itaç
ão M
édia
(m
m)
Mês
GM
Atual 2025s
2055s 2085s
61
(c)
Figura 13 (continuação). Médias mensais das projeções de precipitação para os MCGs e MCRs a) posto 1, b) posto 2, c) posto 3.
Na Figura 13 a precipitação acumulada nos MCGs apresenta menor
variabilidade mensal entre os períodos futuros e pouca diferença em relação ao
período atual quando comparado com os MCRs. Em alguns casos fornecem
projeções contrárias ao MCRs como observado no mês de maio. Observa-se que
para os meses de outubro, novembro e dezembro os MCGs indicam que haverá
pouca alteração ao comparar com o período atual, o que não implicaria em
mudanças no período de plantio das principais culturas de verão como a soja e
milho na região (Tabela 7).
Tabela 7. Principais culturas da Bacia do Rio Taquari-Antas (LIMA et al., 2014).
Culturas Plantio Colheita
Verão
Arroz Novembro Março
Cucurbatáceas Novembro Fevereiro
Feijão Novembro Fevereiro
Girassol Dezembro Março
Mamona Novembro Abril
Mandioca Outubro Maio
Milho Novembro Março
Pequenas Leguminosas Dezembro Abril
Soja Novembro Março
Inverno
Bulbos Junho Outubro
Batatas Agosto Dezembro
Cereais Junho Outubro
Tomate Abril Agosto
60.0
90.0
120.0
150.0
180.0
210.0
240.0
270.0
1 2 3 4 5 6 7 8 9 10 11 12
Pre
cip
itaç
ão M
édia
(m
m)
Mês
RM
Atual 2025s
2055s 2085s
60.0
90.0
120.0
150.0
180.0
210.0
240.0
270.0
1 2 3 4 5 6 7 8 9 10 11 12
Pre
cip
itaç
ão M
édia
(m
m)
Mês
GM
Atual 2025s
2055s 2085s
62
Os MCRs demonstram um aumento expressivo de precipitação para os
meses de abril a junho e setembro a novembro, o que causaria consequências para
a agricultura como a antecipação ou atraso de plantio/colheita de algumas culturas
da região, porém essa situação poderia beneficiar as plantações de arroz.
Os registros de inundações mais significativos são nos meses de maio a
outubro como citado por Bombassaro e Robaina (2010) no período de 1980 a 2007
tornam-se ainda mais relevantes quando observado as projeções de aumento no
futuro para esses meses. Episódios como os anos de 1983, 1990, 1997, 2001, 2007
Bombassaro e Robaina (2010), 2008 e 2012 Greiner (2014) afetaram inúmeras
cidades da bacia, mas em destaque as localizadas mais ao sul como Estrela,
Lajeado, Taquari e Encantado por estarem na parte mais baixa e plana.
A maior anomalia positiva de precipitação acumulada é esperada para o mês
de maio, afetando principalmente a cultura da mandioca (Tabela 7), que pode sofrer
com o excesso de chuva ocasionando o apodrecimento de suas raízes, enquanto
agosto é o mês que apresenta as menores anomalias e até uma diminuição o que
provavelmente represente um benefício para as culturas de inverno (Tabela 7) uma
vez que sofrem com o excesso de precipitação.
Os MCRs, em comparação com os MCGs, projetam maiores anomalias
positivas, porém esta situação não significa ser favorável. A precipitação em
excesso pode estar associada a eventos extremos, como chuva intensa de curta
duração.
Na análise mensal das projeções de temperatura e precipitação foi calculada
a média dessas variáveis, referentes a todos os modelos e postos de estudo, para
calcular a anomalia em comparação com o período atual (1960-1990) (Figura 14).
As anomalias referem-se à diferença entre cada período futuro de 30 anos e o
período atual, também representado por uma série de 30 anos de dados.
63
Figura 14. Períodos mensais de anomalias de (a) temperatura e (b) precipitação. As curvas
correspondem a variável média de todas as projeções dos postos.
As maiores anomalias de temperatura são projetadas para 2085s no fim do
inverno e durante a primavera nos meses de agosto a novembro. Ao contrário, o
mês de fevereiro apresenta uma anomalia positiva de 1,7°C em 2025s, porém
anomalias negativas do meio para o fim do século.
Nos demais meses a variabilidade é semelhante para todos os períodos
futuros. A média da anomalia anual para 2025s, 2055s, e 2085s é de 1,1°C, 2,0 °C e
2,2 °C respectivamente. Melo et al. (2015) para mesmo período na região noroeste
do Estado do Rio Grande do Sul encontraram 1,2°C, 2,1°C e 2,9°C, reafirmando a
necessidade de cada vez mais realizar estudos detalhados, pois dentro de um
mesmo Estado é possível notar diferenças significativas de mudanças climáticas
principalmente para o fim do século.
Os meses com maior anomalia positiva de temperatura são fevereiro (2025s),
agosto (2055s) e agosto e outubro (2085s). Melo et al. (2015) destacaram os meses
de maio e outubro (2025s), e agosto e setembro (2055s e 2085s) com as maiores
anomalias na região Noroeste do RS, o que representa grande diferença a curto
prazo, o que pode representar impactos espacialmente distribuídos na economia do
Estado.
De uma maneira geral as anomalias de precipitação são positivas para todas
as estações nos postos de estudo, ou seja, a precipitação mensal acumulada irá
aumentar. Comportamento semelhante também foi observado por Hamada et al.
(2011) e por Marengo et al. (2010) para a região sul do Brasil. As menores
anomalias médias previstas para precipitação acumulada, são esperadas durante os
0.0
0.5
1.0
1.5
2.0
2.5
3.0
1 2 3 4 5 6 7 8 9 10 11 12Ano
malia d
e T
em
pera
tura
( C
)
Mês
2025s 2055s 2085s
(a)
0.0
10.0
20.0
30.0
40.0
50.0
60.0
70.0
1 2 3 4 5 6 7 8 9 10 11 12
Ano
malia d
e P
recip
itação
(mm
)
Mês
2025s 2055s 2085s
(b)
64
meses de verão seguido pelo inverno. O mês de agosto revela as menores
anomalias em 2025s e 2055s, e fevereiro em 2085s, enquanto que as maiores
anomalias são esperadas para o mês de maio durante todo o futuro.
As mudanças podem atingir diferentes ambientes, mas em especial acarreta
transformações no que se refere ao uso e cobertura do solo. Havendo a
necessidade de adaptar o manejo convencional para um plantio direto com o
objetivo de proteger o solo e evitar perdas em decorrência da chuva. Também em
relação à topografia analisar as áreas que atualmente são utilizadas para atividades
agrícolas como topos de morros e encostas de rios e fazer uso de coberturas mais
apropriadas nestes locais com a finalidade de minimizar as perdas.
Neste contexto se insere a análise através de índices extremos de
precipitação, a qual tem o objetivo de quantificar a intensidade desses fenômenos e
averiguar a frequência dos mesmos, o que torna-se interessante principalmente
quando a região já possui históricos de perdas por tais eventos.
4.4 Índices de precipitação extrema
Os custos econômicos e sociais com o aumento do número de eventos
extremos também podem ser mais altos, e os impactos serão substanciais nas áreas
e setores mais diretamente afetados, como agricultura, geração de hidroeletricidade,
centros urbanos e biodiversidade (MARENGO et al., 2009). Com a finalidade de
analisar/alertar a região sobre a ocorrência desses eventos no futuro, foram
calculados os índices de precipitação extrema, pois os resultados anteriores já
mostravam um aumento de precipitação anual.
Para melhor observação dos resultados, apenas os valores médios de cada
período dos índices utilizados de precipitação projetados pelos MCGs e MCRs estão
dispostos na Tabela 8. Os dados completos podem ser consultados no Apêndice B.
Uma das mais importantes questões relacionadas a eventos extremos a curto
prazo é se sua ocorrência está aumentando ou diminuindo com o tempo, isto é, se
há uma tendência de cenários propícios à ocorrência desses eventos. Com esse
objetivo foi realizado o teste de Mann-Kendall para detecção de tendência para cada
série anual dos índices analisados em cada posto e para todos os modelos.
65
O primeiro índice considerado, R95p, refere-se ao total da precipitação anual
nos dias úmidos em que a mesma é maior que o percentil 95. Assim, se houver um
aumento na tendência deste índice, pode significar que o aumento da precipitação
anual acumulada esteja concentrado em 5% do total precipitado em dias úmidos.
O índice apresentou os maiores valores nos MCRs do que para os MCGs, e
torna-se maior quanto mais se distancia do período atual (Tabela 8). O teste de
hipótese revelou tendências crescentes nos modelos ETA 40 LOW, ETA 40 MID e
HADCM3, e tendência decrescente para o GFCM21 para os três postos, os demais
modelos não apresentaram tendências para este índice.
A análise do índice R99p segue o mesmo raciocínio do anterior, mas
considera o acumulado de precipitação em dias de chuvas mais intensas, ou seja,
acima do percentil 99% do total acumulado de precipitado sobre os dias úmidos. O
posto 1 apresentou tendência em 6 modelos, mas apenas uma decrescente, para o
modelo GFCM21.
Os índices R95p e R99p também representam quanto da precipitação total
anual corresponde aos eventos mais intensos ou extremos. No caso do modelo ETA
20 no posto 1, a precipitação total anual projetada no ano de 2060 (não mostrado) é
de 2.149 mm, sendo que, deste total, espera-se que 857 mm (aproximadamente
40%) precipitará em dias com precipitação acima do percentil 95 e 306 mm
(aproximadamente 14%) ocorrerá em dias com a precipitação acima do percentil 99,
o que também pode ser observado através das médias da Tabela 8. Mais de 50% da
precipitação total anual terá características de ser extrema, implicando
consequências em toda a bacia, por exemplo, a maioria dos sistemas de drenagem
não estarão preparados para eventos deste porte.
66
Tabela 8. Médias anuais dos índices de precipitação extrema.
Modelo Índice (unidade) Posto 1 Posto 2 Posto 3
Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s
Regional
R95 p (mm) 729 812 880 911 732 826 895 930 748 822 889 918
R99 p (mm) 248 263 284 295 250 274 292 304 257 273 290 298
PRCPTOT (mm) 1673 1987 2205 2337 1700 2010 2220 2362 1673 1952 2150 2277
R30 (dias) 14 19 23 24 14 19 22 24 15 18 22 24
RX1 (mm) 80 81 88 91 81 85 90 94 84 86 90 92
RX5 (mm) 149 167 180 191 148 168 183 192 151 166 176 187
CDD (dias) 18 16 18 17 17 16 18 18 18 17 18 18
CWD (dias) 8 8 9 9 8 9 9 9 8 8 8 8
SDII (mm/dia) 10 13 14 14 11 13 14 15 12 14 15 15
Global
R95 p (mm) 723 762 799 807 724 763 800 813 739 779 817 834
R99 p (mm) 244 260 272 276 246 262 275 279 254 272 284 289
PRCPTOT (mm) 1673 1749 1829 1835 1701 1771 1850 1870 1674 1746 1825 1848
R30 (dias) 14 15 17 17 14 15 16 17 15 16 17 18
RX1 (mm) 78 84 87 89 79 85 89 90 82 89 93 95
RX5 (mm) 151 161 169 170 156 165 173 176 153 162 170 175
CDD (dias) 17 17 17 17 17 17 17 17 18 18 17 17
CWD (dias) 8 8 8 8 9 9 9 9 9 9 8 8
SDII (mm/dia) 10 11 11 11 11 11 12 12 12 12 13 13
67
Para os modelos que registram tendências positivas dos índices R95p ou
R99p, estas podem ser associadas tanto à ocorrência de chuvas fortes (grande
intensidade), como a ocorrências mais frequentes destes eventos de chuva extrema.
O índice PRCPTOT corresponde à precipitação total anual de dias chuvosos
(RR> 1 mm). Os maiores valores para este índice foram fornecidos pelos MCRs, os
quais preveem para o fim do século (2085s) no posto 1, uma anomalia de 664 mm
em relação ao período atual (Tabela 8). Já os MCGs projetam 162 mm para o
mesmo lugar. O teste de Mann-Kendall em relação a este índice detecta uma
tendência positiva para os modelos ETA 20, ETA 40 LOW, ETA 40 MID e HADCM3
para o posto 1, ETA 40 CTRL, ETA 40 LOW, ETA 40 MID e HADCM3 posto 2 e ETA
40 LOW, ETA 40 MID e HADCM3 no posto 3.
O índice R30 caracteriza-se pelo número de dias em que a precipitação diária
é maior ou igual a 30 mm. Este índice colabora na detecção de eventos extremos,
pois pode ser relacionado com os índices anteriores. Ao associar os índices R95p e
R30 das projeções do ETA 20 no posto 3 nos anos de 2019 e 2051 (não mostrado),
é possível notar quantos dias são necessários para produzir certa quantidade de
precipitação. Em 2019, por exemplo, onze dias (R30) serão responsáveis por 504
mm (R95p) e no ano de 2051, vinte dias (R30) corresponderão a uma precipitação
de 904 mm (R95p). Estes dois anos foram tomados como exemplo, pois os percentis
95% correspondem à 30 mm e, portanto, pode-se fazer uma associação direta com
o índice R30. Desta forma, o número de dias com precipitação acima de 30 mm irá
aumentar para todos os postos, o que concorda com a elevação observada na
precipitação total anual.
Para os MCRs, o índice R30 apresenta maior anomalia em comparação com
os MCGs, revelando até dez dias de precipitação superior a 30 mm a mais do que
no passado, o que corresponde a pelo menos 300 mm a mais no ano. Somente os
modelos ETA 40 LOW e ETA 40 MID apresentaram tendências positivas em todos
os postos, segundo o teste de Mann-Kendall.
A precipitação máxima em um dia (RX1), comparada com a precipitação
máxima de cinco dias consecutivos no ano (RX5) é proporcionalmente muito mais
extrema, porém apresentou tendência somente no modelo HADCM3 para os postos
68
1 e 2. Também no índice RX1 pode-se observar que haverá uma anomalia no geral
de 10 mm em todos os postos até o final do século.
O índice CDD representa o número máximo de dias consecutivos secos no
ano em que a precipitação diária é menor que 1 mm, e o CWD se refere ao número
máximo de dias consecutivos úmidos no ano com precipitação diária maior que 1
mm. Estes índices não apresentam alterações/tendências significativas. Autores
como Marengo et al. (2009) e Santos et al. (2009) justificam o aumento da
precipitação total anual e a ocorrência de eventos extremos pela diminuição de CDD
e acréscimo/redução de CWD. O que não é observado neste trabalho, de modo que
o aumento da precipitação manifesta-se por meio dos índices R95p, R99p e R30.
Este último fato também foi observado por Dereczynski et al. (2013), os quais
justificaram o aumento dos eventos extremos de precipitação para o Rio de Janeiro
por meio destes mesmos índices.
A precipitação total anual dividida pelo número de dias úmidos (SDII) mostrou
um aumento apenas nos modelos regionais, sugerindo que os dias em que ocorrer
precipitação os mesmos serão de caráter mais intenso. Tendências positivas foram
observadas nos modelos ETA 40 MID e ETA 40 LOW. Os MCGs apresentam um
aumento de 1 mm/dia, nos dias que ocorrer precipitação.
A ocorrência de eventos extremos de precipitação colabora para os
deslizamentos de terra em regiões com características de serra, favorecendo-se
ainda pela presença de camada rochosa logo abaixo do solo, mesmo em situações
que apresentam cobertura vegetal, visto que, o solo encharcado não consegue
manter-se estruturado, principalmente em relevos acentuados. Eventos como dos
Estados de Santa Catarina em 2008 e do Rio de Janeiro em 2011, causaram
grandes mudanças no relevo e impactos negativos no meio ambiente, alertando
regiões de topográfica semelhante para eventuais situações de desastres.
Impactos também são gerados devido aos bloqueios de estradas, que
causam a interrupção do fornecimento de água, alimentos e eletricidade a centenas
de pessoas. Quanto maiores as anomalias entre os períodos, piores serão as
consequências para a sociedade e o meio ambiente em zonas consideradas
vulneráveis.
69
5. CONCLUSÃO
O estudo proposto teve como objetivo identificar as possíveis mudanças
climáticas na região da Bacia do Rio Taquari-Antas localizada na mesorregião
nordeste no Estado do Rio Grande do Sul, Brasil. Esta região destaca-se por
apresentar um setor industrial forte e em crescimento, sendo, também importante
produtora de soja e milho, o que representa economicamente 20% do PIB do
Estado. Foram consideradas dez projeções de precipitação e temperatura geradas
por modelos de circulação global (MCGs) e regional (MCRs) em três postos
localizados na bacia dos rios Taquari-Antas. Os dados correspondem às simulações
do cenário A1B do AR4, no período futuro de 2011 a 2100, comparados com o
período atual (1960-1990).
Os MCGs e MCRs em sua maioria concordam com projeções de aumento da
temperatura e precipitação nos postos estudados. As projeções indicam um
aumento de temperatura média anual de quase 3°C até o fim do século, porém
resultados superiores foram encontrados por outros autores na região Sul utilizando
o cenário A2 considerado mais pessimista. Uma análise mais detalhada poderia ser
feita caso os modelos fornecessem as projeções de temperatura mínima e máxima
diária. Para a precipitação anual acumulada os MCRs projetam maiores anomalias
que os MCGs, contudo concordam com os últimos estudos realizados na região sul
de aumento de precipitação.
Os ciclos mensais de temperatura e precipitação mostram que os meses das
culturas de verão serão menos afetados pelo aumento destas variáveis, porém os
possíveis extremos aparecerão no início dos cultivos devido ao aumento de
precipitação nos meses de outubro e novembro. Contudo o mês de maio merece
atenção pelo histórico de inundações e pela projeção de expressivo aumento de
precipitação.
A grande variabilidade observada entre as projeções dos MCRs e MCGs
notada neste estudo pode ser confirmada pela análise das tendências nos índices
extremos de precipitação, os quais mostraram que a maioria das tendências
crescentes foram detectadas nas projeções do modelo ETA. As simulações de
mudanças climáticas apresentam algumas incertezas que precisam ser levadas em
70
consideração nas análises. Tais incertezas estão impostas sobre a construção de
cenários de emissões, que supõem cenários de desenvolvimento econômico e
tecnológico, até a organização de modelos climáticos. Deste modo, as projeções de
mudanças climáticas não são representadas na forma de um único valor, mas em
um intervalo de possibilidades. Uma alternativa observada seria analisar um
conjunto de parâmetros para cada intervalo de 30 anos e não para todo o século
como no estudo, ou seja, a cada reflexo das ações propostas talvez o futuro possa
ser ainda mais positivo ou negativo.
Os MCRs são construídos para escalas menores com maior resolução, suas
projeções estão o mais próximo da realidade do que os MCGs. Com base nesta
constatação, pode-se assumir que o clima futuro na região de estudo sofrerá com o
aumento de eventos extremos de precipitação, principalmente pelo acréscimo de
precipitação total anual, o que pode ser verificado pelo aumento de dias no índice
R30 e maior concentração nos índices R95p e R99p.
Os resultados demonstrados revelam a importância da utilização de modelos
regionais e as influências que os mesmos apresentam em relação às características
locais, de modo que os MCGs são mais conservadores e não conseguem simular as
peculiaridades de uma região, devido às limitações de escala. Entretanto, para
estudos de impactos, vulnerabilidade e adaptação, é necessário maior detalhe, pois
esses estudos tem um caráter informativo para uma determinada região.
A região de estudo também sofre influência de outros fenômenos climáticos,
porém neste trabalho o interesse era apenas avaliar as projeções fornecidas pelos
modelos climáticos em um determinado cenário.
O aumento de precipitação projetado para a região da Bacia do Rio Taquari-
Antas serve de alerta para o aumento na intensidade e frequência de eventos
extremos como: fortes chuvas, inundações e deslizamentos de terra. Tais
informações devem ser levadas em consideração pelo comitê de bacia da região,
com o propósito de construir um sistema de alerta para tais eventos, assim como
ações preventivas com a população mais vulnerável.
Ações preventivas estão relacionadas com delimitação através do plano
diretor de áreas críticas, desapropriação de populações ribeirinhas, manutenção dos
71
sistemas de drenagem das cidades, assim como atividades de educação ambiental
para a sociedade. O excesso de precipitação para a agricultura torna ações de
proteção do solo ainda mais importantes e devem ser desenvolvidas com os
agricultores. A utilização de técnicas como a de plantio direto, com o objeto de
manter ao máximo o solo coberto, para que a região possa usufruir dos benefícios
gerados.
Uma proposta de estudo mais detalhada poderia ser realizada, utilizando-se
dos mesmos índices de extremos de precipitação, mas em uma análise mensal para
verificar se tais eventos serão pontuais ou difusos ao longo do ano.
As informações levantadas neste trabalho possibilitam que ações de
planejamento para os municípios integrantes da bacia busquem ferramentas que
auxiliem na melhor adaptação e mitigação dos impactos gerados pelas mudanças
climáticas. Contudo, a diminuição de emissões ao longo dos próximos anos, deve
ajudar na perspectiva de reduzir os custos e desafios a serem enfrentados,
colaborando para um desenvolvimento sustentável.
72
REFERÊNCIA
ADAM, Katiúcia Nascimento. Análise dos impactos de mudanças climáticas nos
regimes de precipitação e vazão na Bacia do Rio Ibicuí. 2011. 147f. Dissertação
de Mestrado. (Programa de Pós-Graduação em Recursos Hídricos e Saneamento
Ambiental), Instituto de Pesquisas Hidráulicas, Universidade Federal do Rio Grande
do Sul, Porto Alegre, 2011.
ALEXANDER, L. V.; ZHANG, X.; CAESAR, T. C. J.; GLEASON,B.; KLEIN TANK, A.
M. G.; HAYLOCK, M.; COLLINS, D.; TREWIN, B.; RAHIMZADEH, F.; TAGIPOUR,
A.; RUPA, K.; REVADEKAR, J.; GRIFFITHS, G.; VINCENT, L.; STEPHENSON, D.
B.; BURN, J.; AGUILAR, E.; BRUNET, M.; TAYLOR, M.; NEW, M.; ZHAI, P.;
RUSTICUCCI, M.; VAZQUEZ-AGUIRRE J. L. Global observed changes in daily
climate extremes of temperature and precipitation. Journal of Geophysical
Research, v. 111, p.22, 2006.
ALEXANDER, Ralph B. Aquecimento Global: Alarme Falso. Rio de Janeiro:
Gryphus, 2010. 201p.
ANEEL. Associação Nacional de Energia Elétrica- Relatório de Acompanhamento de
Estudos e Projetos de Usinas Hidrelétricas. 2015.
ARAUJO, W. S.; BRITO, J. I. B. Índices de tendências de mudanças climáticas para
os Estados da Bahia e Sergipe por meio de índices pluviométricos diários e sua
relação com TSM do Pacífico e Atlântico. Revista Brasileira de Meteorologia, v.26,
n.4, p.541–554, 2011.
ASMUS, G. F.; MELLO, A. Y. I.; SEIXAS, S. R. C.; BATISTELLA, M. Análise
sociodemográfica da distribuição especial de ocorrências de diarréias agudas em
áreas de risco de inundação, Caraguatatuba-SP. Revista Vitas - Visões
Transdisciplinares sobre Ambiente e Sociedade. v. 3, n. 6, p.26, 2013.
ASSAD, E. D.; PINTO, H. S.; ZULLO JUNIOR, J.; MARIN, F. R.; PELLEGRINO, G.
Q.; EVANGELISTA, S. R.; OTAVIAN, A. F. Aquecimento global e a nova geografia
da produção agrícola no Brasil. Brasília, DF: Embaixada Britânica, 2008. v. 1, 82 p.
73
BACK, A.J. Aplicação de análise estatística para identificação de tendências
climática. Pesquisa Agropecuária Brasileira. Brasília, v. 36, n. 5, p. 717-726, 2001.
BANCO MUNDIAL. Relatório sobre o desenvolvimento mundial de 2010:
desenvolvimento e mudança climática. São Paulo: UNESP, 2010. 440 p.
BARRY, R. G.; CHORLEY, R. J. Atmosfera, Tempo e Clima. 9. ed. Porto Alegre:
Bookman, 2013. 512 p.
BECKER, F. G.; FRIES, L. C. C.; FERRER, J.; BERTACO, V. A.; AGOSTINHO, K. D.
G. L.; SILVA, J. F. P.; CARDOSO, A. R.; LUCENA, Z. M. S.; LUCENA C. A. S.
Fishes of the Taquari-Antas river basin (Patos Lagoon basin), southern Brazil.
Brazilian Journal of Biology, v.73, n. 1, p. 79-90, 2013.
BLACK, T. L. The new NMC mesoscale Eta Model: Description and forecast
examples. Weather Forecasting, v. 9, p. 265-278, 1994.
BLANC, E. The Impact of Climate Change on Crop Yields in Sub-Saharan Africa.
American Journal of Climate Change, v.1, p.1-13, 2012.
BOMBASSORO, M.; ROBAINA, L. E. S. Contribuição Geográfica para o Estudo das
Inundações na Bacia Hidrográfica do Rio Taquari-Antas, RS. Belo Horizonte,
Geografias 06(2) p. 69-86, 2010.
BRASIL. Política Nacional do Meio Ambiente. Lei n.º 6.938 de 31 de agosto de 1981.
Disponível em: <http://www.planalto.gov.br/ccivil_03/leis/l6938.htm> Acesso em: 7
de abr. de 2015.
BRAVO, J. M.; COLLISCHONN, W.; SILVA, B. C.; RODRIGUEZ, D.; FAN, F. M.;
QUIROZ, K.; PONTES, P. R. M.. Impactos nas afluências das principais bacias. In:
LIMA, J. W. M.; COLLISCHONN, W.; MARENGO, J. A.. Efeitos das mudanças
climáticas na geração de energia elétrica. São Paulo: AES Tietê, 2014. 245-282
p.
BUCKERIDGE, M. S.; MORTARI, L. C.; MACHADO, M. R. Respostas fisiológicas de
plantas às mudanças climáticas: alterações no balanço de carbono nas plantas
podem afetar o ecossistema?. In: REGO, G. M.; NEGRELLE. R. R. B; MORELLATO,
74
L. P. C. (Ed.) Fenologia - Ferramenta para conservação e manejo de recursos
vegetais arbóreos. Colombo, PR: Embrapa Florestas, 2007. p. 1-13.
CAMARGO, Claudia G.; MALANDRIN, Daniela; BRAGA, Hugo; MACHADO,
Ludmila. Análise de Eventos Extremos de Precipitação na Região Sul do Brasil
Dados Históricos. In: XVII Congresso Brasileiro de Agrometeorologia, 2011,
Guarapari. Espírito Santo, 2011. p.5.
CAMILLONI, I.; BIGEGAIN, M.. Escenarios climáticos para El siglo XXI. In BARROS,
V.; MENÉNDEZ, Á.; NACY, G.(Ed) El cambio climático em el rio de la Plata, Buenos
Aires: CIMA/ CONICET/ UBA, 2005. p. 33-39.
CAMPOS, Catharina Ramos dos Prazeres; BARBOSA, Francisco de Assis dos Reis;
SOUSA, Isabel Lopes. Cheias históricas dos principais rios Acreanos como subsídio
ao projeto de sistema de alerta de cheias no Acre. In: XX Simpósio de Recursos
Hídrico, 2013, Bento Gonçalves, RS. 2013. p. 17-22.
Cavalcanti, Iracema F. A.. Seasonal precipitation simulated by global and regional
models and projected climate changes in Brazil. In: Simpósio Internacional de
Climatologia, 2011, João Pessoa. IV-SIC anais 2011, 2011.
CHOU, S. C.; LYRA, A.; MOURÃO, C.; DERECZYNSKI, C.; PILOTTO, I.; GOMES,
J.; BUSTAMANTE, J.; TAVARES, P.; SILVA, A.; RODRIGUES,D.; CAMPOS, D.;
CHAGAS, D.; SUEIRO,G.; SIQUEIRA,G.; MARENGO J. Assessment of Climate
Change over South America under RCP 4.5 and 8.5 Downscaling Scenarios.
American Journal of Climate Change, v.3, p.512-525, 2014.
COLLISCHONN, W.; BRAVO, J. M.; SILVA, B. C.; RODRIGUES, D. A. Modelagem
Hidrológica. In: LIMA, J. W. M.; COLISCHONN, W.; MARENGO J. A. (orgs). Efeitos
das mudanças climáticas na geração de energia elétrica. São Paulo: AES Tietê,
2014. 95-143 p.
COLOMBO, Jefferson Augusto; PESSOA, Mariana Lisboa. Impacto econômico dos
eventos de estiagem: evidências a partir dos municípios do Rio Grande do Sul. In: 7°
Encontro de Economia Gaúcha, 2014, Porto Alegre. 2014. p.30.
75
CONFALONIERI, U. E. C.; CHAME, M.; NAJAR, A.; CHAVES, S A. DE M; KRUG, T;
NOBRE, C; MIGUEZ, J. D. G.; CORTESÃO, J; HACON, S. Mudanças Globais e
Desenvolvimento: Importância para a Saúde. Informe Epidemiológico do SUS. v.
11(3), p. 139-15, 2002.
DELPURO, Carlos Henrique. Protocolo de Quioto. In: FUJIHARA, M. A.; LOPES, F.
G. (orgs). Sustentabilidade e mudanças climáticas: guia para o amanhã. São
Paulo: Senac, 2009. p. 27-36.
DELWORTH, T. L.; BROCCOLI, A. J.; ROSATI, A.; STOUFFER, R. J.; BALAJI, V.;
BEESLEY, J. A.; COOKE, W. F.; DIXON, K. W.; DUNNE, J.; DUNNE, K. A.;
DURACHTA, J. W.; FINDELL, K. L.; GINOUX, P.; GNANADSIKAN, A.; GORDON, C.
T.; GRIFFIES, S. M.; GUDGEL, R.; HARRISON, M. J.; HELD, I. M.; HEMLER, R. S.;
HOROWITZ, L.W.; KLEIN, S. A.; KNUTSON, T. R.; KUSHNER, P. J.;
LANGENHORST, A. R.; LEE, H. C.; LIN, S. J.; LU, J.; MALYSHEV, S. L.; MILLY, P.
C. D.; RAMASWAMY, V.; RUSSELL, J.; SCHWARZFOPF, M. D.; SHEVLIAKOVA,
E.; SIRUTIS, J. J.; SPELMAN, M. J.; STERN, W. F.; WINTON, M.; WITTENBERG, A.
T.; WYMAN, B.; ZENG, F. ZHANG, R. GFDL’s CM2 Global Coupled Climate Models.
Part I: Formulation and Simulation Characteristics. Journal of Climate - Special
Section, v. 19, p. 643-674, 2006.
DERECZYNSKI, C.; SILVA, W. L.; MARENGO, J. Detection and Projections of
Climate Change in Rio de Janeiro, Brazil. American Journal of Climate Change, v.
2, p. 25-33, 2013.
DONAT, M. G.; AGUILAR, E.; KRUGER, A. C.; SALINGER, J.; VINCENT, L. A.;
ALEXANDER, L. V.; BRUNET, M.; MARENGO, J.; ELRAYAH, A. S.; ZHAI, P.;
YANG, H.; CAESAR, J.; DURRE, I.; HEWITSON, B.; PETERSON, T. C.; SEKELE, S.
S.; ZHANG, X.; VOSE, R.; JACK, C.; RENOM, M.; SRIVASTAVA, A. K.; KITCHING
.S.; DUNN, R. J. H.; WILLETT, K. M.; KLEIN TANK, A. M. G.; ORIA ROJAS, C.;
TREWIN, B.; RUSTICUCCI, M.; VILLARROEL, C. Updated analyses of temperature
and precipitation extreme indices since the beginning of the twentieth century: The
HadEX2 dataset. Journal of Geophysical Research: Atmospheres, v. 118, p.1–16,
2013.
76
FEE, Fundação de Economia e Estatística. Quantidade produzida de soja e milho.
Disponível em: <http://dados.fee.tche.br/> Acesso em: 17 mar. 2015.
FEPAM, Fundação Estadual de Proteção Ambiental Henrique Luiz Roessler.
Qualidade das águas da bacia hidrográfica do Rio das Antas e Rio Taquari.
Disponível em:
<http://www.fepam.rs.gov.br/qualidade/qualidade_taquari_antas/taquariantas.asp>
Acesso em: 26 jan. 2015.
FLATO, G.; MAROTZKE, J.; ABIODUN, B.; BRACONNOT, P.; CHOU, S.C.;
COLLINS, W.; COX, P.; DRIOUECH, F.; EMORI, S.; EYRING, V.; FOREST, C.;
GLECKLER, P.; GUILYARDI, E.; JAKOB, C.; KATTSOV, V.; REASON, C.;
RUMMUKAINEN, M. Evaluation of Climate Models. In: STOCKER, T. F.; QIN, D.;
PLATTNER, G. K.; TIGNOR, M.; ALLEN, S. K.; BOSCHUNG, J.; NAUELS, A.; XIA,
Y.; BEX, V.; MIDGLEY, P. M. (eds.), Climate Change 2013: The Physical Science
Basis. Contribution of Working Group I to the Fifth Assessment Report of the
Intergovernmental Panel on Climate Change Cambridge University Press,
Cambridge, United Kingdom and New York, NY, USA. p.741-866, 2013.
FOCCHEZZATO, A.; GRANDO, M. Z. Efeitos da estiagem na economia do Rio
Grande do Sul: uma abordagem multissetorial. Textos para Discussão FEE nº 62.
Secretaria do Planejamento e Gestão Fundação de Economia e Estatística Siegfried
Emanuel Heuser. Porto Alegre, p.21, 2009.
FORSTER, P.; RAMASWAMY, V.; ARTAXO, P.; BERNTSEN, T.; BETTS, R.;
FAHEY, D. W.; HAYWOOD, J.; LEAN, J.; LOWE, D.C.; MYHRE, G.; NGANGA, J.;
PRINN, R.; RAGA, G.; SCHULZ, M.; DORLAND, R. VAN. 2007: Changes in
Atmospheric Constituents and in Radiative Forcing. In: SOLOMON, S.; QIN D.;
MANNING, M.; CHEN, Z.; MARQUIS, M.; AVERYT, K.B.; TIGNOR M.; MILLER,
H.L. (Eds.). Climate Change 2007: The Physical Science Basis. Contribution of
Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on
Climate Change Cambridge University Press, Cambridge, United Kingdom and New
York, NY, USA. 2007, p. 129-234.
77
GELLENS, D.; ROULIN, E. Streamflow response of Belgian catchments to IPCC
climate change scenarios. Journal of Hydrology, v. 210 (1-4), p. 242–258, 1998.
GHINI, R.; HAMADA, E; BETTIOL, W. Impactos das mudanças climáticas sobre as
doenças de plantas. In: GHINI, R.; HAMADA, E.; BETTIOL, W. (eds). Impactos das
mudanças climáticas sobre doenças de importantes culturas no Brasil.
Jaguariúna: EMBRAPA Meio Ambiente, 2011. p. 15-39.
GOOSSENS, C.; BERGER, A. Annual and seasonal climatic variations over the
northern hemisphere and Europe during the last century. Annales Geophysicae,
Berlin, v.4, n.4, p.385-400, 1986.
GORDON, C.; COOPER, C.; SENIOR, C. A.; BANKS, H.; GREGORY, J. M.; JOHNS,
T. C.; MITCHELL, J. F. B.; WOOD, R. A. The simulation of SST, sea ice extents and
ocean heat transports in a version of the Hadley Centre coupled model without flux
adjustments. Climate Dynamics, v 16, p. 147-168, 2000.
GREINER, Claiton. Avaliação do Referencial de Nível das Inundações da Cidade
de Lajeado/RS com Relação à Régua Linimétrica do Porto de Estrela/RS. 2014.
88 f. Trabalho de Conclusão de Curso (Bacharel em Engenharia Ambiental), Centro
Universitário UNIVATES, Lajeado, 2014.
HAMADA, E.; GONÇALVES, R. R. V.; ORSINI, J. A. M.; GHINI, R. Cenários
climáticos futuros para o Brasil. In: GHINI, R.; HAMADA, E. (eds). Mudanças
climáticas: impactos sobre doenças de plantas no Brasil. Brasília: EMBRAPA
Informação Tecnológica, 2008. p. 27-73.
HAMADA, E; GHINI, R.; MARENGO, J. A.; THOMAZ, M. C. Projeções de Mudanças
Climáticas para o Brasil no final do século XXI. In: GHINI, R.; HAMADA, E.;
BETTIOL, W. (eds). Impactos das mudanças climáticas sobre doenças de
importantes culturas no Brasil. Jaguariúna: EMBRAPA Meio Ambiente, 2011. p.
41-73.
IPCC. Intergovernmental Panel on Climate Change. Climate Change 2007:
Synthesis Report. Core Writing Team, PACHAURI, R. K.; REISINGER, A. (eds).
Geneva: IPCC, 104 p, 2007.
78
IPCC. Intergovernmental Panel on Climate Change. Climate Change 2014:
Synthesis Report. Core Writing Team, PACHAURI, R. K.; MEYER, Leo. (eds).
Geneva: IPCC, 132 p, 2014.
JALOTA, S. K.; KAUR, H.; KAUR, S.; VASHISHT, B. B. Impact of climate change
scenarios on yield, water and nitrogen-balance and use efficiency of rice-wheat
cropping system. Agricultural Water Management, v. 116, p. 29-38, 2013.
KENDALL, M. G. Rank Correlation Methods. 4th ed. London: Charles Griffin, 1975.
KIKTEV, D.; SEXTON, D. M. H.; ALEXANDER, L.; FOLLAND, C. K. Comparison of
Modeled and Observerd Trends in Indices of Daily Climate Extremes. American
Journal of Climate, v. 16, p. 3560-3571, 2003.
KNUTTI, R.; SEDLÁCEK, J. Robustness and uncertainties in the new CMIP5 climate
model projections. Nature Climate Change, v. 3, p. 369–373, 2013.
LARENTIS, D. L.; COLLISCHONN, W.; TUCCI, C. E. M. Simulação da qualidade de
água em grandes bacias: Rio Taquari-Antas, RS. Revista Brasileira de Recursos
Hídricos, v. 13, n. 3, p. 05-22, 2008.
LARENTIS, DANTE GAMA. Modelagem matemática da qualidade da água em
grandes bacias: Sistema Taquari-Antas- RS. 2004.177f. Dissertação (Mestrado em
Recursos Hídricos e Saneamento Ambiental), Instituto de Pesquisas Hidráulicas,
Universidade Federal do Rio Grande do Sul, Porto Alegre, 2004.
LEITE, J. G. D. B.; FEDERIZZi, L. C.; BERGAMASCHI, H. Mudanças climáticas e
seus possíveis impactos aos sistemas agrícolas no Sul do Brasil. Ciências
Agrárias, v. 7, n. 2, p. 337-343, 2012.
LIMA, J. W. M. Introdução. In: LIMA, J. W. M.; COLLISCHONN, W.; MARENGO, J.
A. Efeitos das mudanças climáticas na geração de energia elétrica. São Paulo:
AES Tietê, 2014. 15-19 p.
LIMA, J. W. M.; COLLISCHONN, W.; MARENGO, J. A. Efeitos das mudanças
climáticas na geração de energia elétrica. São Paulo: AES Tietê, 2014. 357 p.
79
MANN, H. B. Non-parametric test against trend. Econometrica, v.13, p.245-259,
1945.
MARENGO, J. A.; ALVES, L. M.; TORRES, R. R.; CHAN, C. S.; LYRA, A. Bases
para modelagem de mudanças climáticas. In: LIMA, J. W. M.; COLISCHONN, W.;
MARENGO J. A. (orgs). Efeitos das mudanças climáticas na geração de energia
elétrica. São Paulo: AES Tietê, 2014. 23-64 p.
MARENGO, J. A.; ALVES, L.; VALVERDE, M.; ROCHA, R.; LABORBE, R. Eventos
extremos em cenários regionalizados de clima no Brasil e América do sul para
o Século XXI: projeções de clima futuro usando três modelos regionais. Relatório 5,
Ministério do Meio Ambiente – MMA, Secretaria de Biodiversidade e Florestas –
SBR, Diretoria de Conservação da Biodiversidade – CDBio Mudanças do clima atual
e definição das alterações climáticas para o território brasileiro ao longo do século
XXI. Brasília, 2007. 77p.
MARENGO, J. A.; SCHAEFFER, R.; PINTO, H. S.; ZEE, D. M. W. Mudanças
climáticas e eventos extremos no Brasil. Rio de Janeiro: FBDS, 2009. 76 p.
MARENGO, J.A.; AMBRIZZI, T.; ROCHA, R.P.; ALVES, L.M.; CUADRA, S.V.;
VALVERDE, M.C.; TORRES, R.R.; SANTOS, D.C.; FERRAZ, S.E.T. Future change
of climate in South America in the late twenty-first century: intercomparison of
scenarios from three regional climate models. Climate Dynamics, v. 35, p. 1073-
1097, 2010.
MELO, T. M.; LOUZADA, J. A. S.; PEDROLLO, O. C. Impacts of Climate Change on
Soybean Irrigation Water Requirements in Northwest Region of Rio Grande do Sul,
Brazil. Irrigation Drainage Systems Engineering, v. 3, p. 13, 2014.
MELO, T. M.; LOUZADA, J. A. S.; PEDROLLO, O. C. Trends in extreme precipitation
indices and seasonal analysis of precipitation and temperature for detecting climate
change in the Northwest Region of Rio Grande do Sul, Brazil. American Journal of
Climate Change, v.4, p.184-202, 2015.
MELO, Tirzah Moreira. Avaliação estocástica dos impactos das mudanças
climáticas sobre a agricultura na região noroeste do Estado Rio Grande do Sul.
80
2013. 94f. Exame de Qualificação (Doutorado em Recursos Hídricos e Saneamento
Ambiental), Instituto de Pesquisas Hidráulicas, Universidade Federal do Rio Grande
do Sul, Porto Alegre, 2013.
MESINGER, F.; Z. I. JANJIC. Noise due to time-dependent boundary conditions in
limited area models. The GARP Programme on Numerical Experimentation, Rep. N°.
4, WMO, Geneva, p. 31-32, 1974.
MORAES, J. M.; PELLEGRINO, G.; BALLESTER, M. V.; MARTINELLI, L. A.;
VICTORIA, R. L. Estudo preliminar da evolução temporal dos componentes do ciclo
Hidrológico da bacia do Rio Piracicaba. In: SIMPÓSIO BRASILEIRO DE
RECURSOS HÍDRICOS, 11.; SIMPÓSIO DE HIDRÁULICA E RECURSOS
HÍDRICOS DOS PAÍSES DE LÍNGUA OFICIAL PORTUGUESA, 2., 1995, Recife.
Anais...Recife : Associação Brasileira de Recursos Hídricos, 1995. p. 27-32.
MURUMKAR, A. R.; ARYA, D. S. Trend and Periodicity Analysis in Rainfall Pattern
of Nira Basin, Central India. American Journal of Climate Change, v.3, p. 60-70,
2014.
NAKICENOVIC, N.; ALCAMO, J.; DAVIS, G.; DE VRIES, B.; FENHANN, J.; GAFFIN,
S.; GREGORY, K.; GRUBLER, A.; JUNG, TY.; LA ROVERE, EL.; MICHAELIS, L.;
MORI, S.; MORITA, T.; PEPPER, W.; PITCHER, H.; PRICE, L.; RIAHI, K.; ROEHRL,
A.; ROGNER, HH.;SANKOVSKI, A.; SCHLESINGER, M.; SHUKLA, P.; SMITH, S.;
SWART, R.; VAN ROOOIJEN, S.; VICTOR, N.; DADI, Z. Special report on emissions
scenarios, Cambrigde University Press, UK. p. 608, 2000.
NEDEL, A.; SAUSEN, T. M.; SAITO, S. M. Zoneamento dos desastres naturais
ocorridos no Estado do Rio Grande do Sul no período 1989-2009: granizo e
vendaval. Revista Brasileira de Meteorologia, v. 27, n. 2, p. 119-126, 2012.
NEDEL, A.; SAUSEN, T.; SAITO, S. Zoneamento dos desastres naturais ocorridos
no estado do Rio Grande do Sul no período 2003-2009 – Parte I: Seca. In: XVI
Congresso Brasileiro de Meteorologia, Belém, PA. Anais do XVI Congresso
Brasileiro de Meteorologia. Belém. PA: SBMET. p. 1-5, 2010.
81
PAGEL, S. M.; FERRARO, L. W.; SEGALLA, M. D. D.; DICKI, I. R.; LEITE, E. H.;
JUNQUEIRA, I. C.; COBALCHINI, M. S.. Diagnóstico Ambiental da Bacia do Taquari-
Antas/RS. Disponível em:<http://www.fepam.rs.gov.br/biblioteca/Taquari-
Antas/pag1.html> Acesso em: 20 de maio de 2015.
PANDA, D. K.; MISHRA, A.; KUMAR, A.; MANDAL, K. G.; THAKUR, A. K.;
SRIVASTAVA ,R. C. Spatiotemporal patterns in the mean and extreme temperature
indices of India, 1971–2005. International Journal of Climatology. v. 34, p. 3585–
3603, 2014.
PBMC: Contribuição do Grupo de Trabalho 1 ao Primeiro Relatório de Avaliação
Nacional do Painel Brasileiro de Mudanças Climáticas. Sumario executivo GT1.
PBMC, RJ, Brasil, 24p. 2013.
PELLEGRINO, G. Q.; ASSAD, E. D.; MARIN, F. R. Mudanças Climáticas Globais e a
Agricultura no Brasil. Revista Multiciência. v. 8, p. 139-162, 2007.
PITA, Rodolfo Fernandes Queiroga. Influências das Mudanças Climáticas no
Cálculo da Evapotranspiração no Semi-Árido da Paraíba. 2011.48 f. Trabalho de
Conclusão de Curso (Bacharel em Engenharia Civil), Recursos Hídricos,
Universidade Federal da Paraíba, João Pessoa, 2011.
RODRIGUES, Andrigo. Estatística Espacial e Análise de Cluster em dados de
desastres naturais: Mapeamento das estiagens e inundações no Rio Grande do
Sul ente 2003 e 2009. 2011. 77f. Trabalho de Conclusão de Curso (Bacharel em
Estatística), Instituto de Matemática, Universidade Federal do Rio Grande do Sul,
Porto Alegre, 2011.
ROECKNER, E.; BÄUML, G.; BONAVENTURA, L.; BROKOPF, R.; ESCH, M.;
GIORGETTA, M.; HAGEMANN, S.; KIRCHNER, I.; KORNBLUEH, L.; MANZINI, E.;
RHODIN, A.; SCHLESE, U.; SCHULZWEIDA, U.; TOMPKINS, A. The atmospheric
general circulation model ECHAM5. Part I: Model Description. Report N°. 349.
Hamburg: Max Planck Institute for Meteorology, p.140, 2003.
ROECKNER, E.; BROKOPF, R.; ESCH, M.; GIORGETTA, M.; HAGEMANN, S.;
KORNBLUEH, L.; MANZINI, E.; SCHLESE, U.; SCHULZWEIDA, U. The atmospheric
82
general circulation model ECHAM5. Part II: Sensitivity of Simulated Climate to
Horizontal and Vertical Resolution. Report N°. 354. Hamburg: Max Planck Institute
for Meteorology, p.64, 2004.
SAITO, S. M.; SAUSEN, T. M.; LACRUZ, M. S. P.; MADRUGRA, R.; JUNIOR, E.
R.L. Avaliação dos desastres naturais ocorridos no Rio Grande do Sul em 2008.
Anais do XV Simpósio Brasileiro de Sensoriamento Remoto, 2011, Curitiba, PR.
2011, INPE p.4828- 4834.
SAMPAIO, G. Projeções climáticas para o Brasil no século XXI: impactos na
precipitação, temperatura e distribuição de biomas. Cadernos Temáticos. Rio de
Janeiro. 2013. 19 p.
SÁNCHEZ, L. E. Conceitos e definições. In: Avaliação de impacto ambiental. Ed.
São Paulo: Oficina de Textos, 2008. p. 17-42.
SANTOS, C. A. C.; BRITO, J. I. B.; RAO, T. V. R.; MENEZES, H. E. A. Tendências
dos Índices de Precipitação no Estado do Ceará. Revista Brasileira de
Meteorologia, v. 24, n. 1, p. 39-47, 2009.
SANTOS, D. C.; MEDEIROS, R. M.; CORREIA, D. S.; OLIVEIRA, V. G.; BRITO, J. I.
B. Variabilidade de índices de precipitação e temperatura na Amazônia ocidental. In:
I CONICBIO, II CONABIO, VI SIMCBIO, 2013, Recife, PE. v. 2, p.12, 2013.
SEMA. Secretaria de Meio Ambiente - Relatório Anual sobre a Situação dos
Recursos Hídricos no Estado do Rio Grande do Sul. Porto Alegre, 2012. 169 p.
SIMONI, Walter Figueiredo. Mudança do Clima. In: FUJIHARA, M. A.; LOPES, F. G.
(orgs). Sustentabilidade e mudanças climáticas: guia para o amanhã. São Paulo:
Senac, 2009. p. 21-26.
SOUSA JUNIOR, M. A.; LACRUZ, M. S. P.; SAUSEN, T. M.; COSTA, L. F. F.;
PEREIRO, R. S. Estiagem na região sul do Brasil – Caracterização por meio de
imagens EVI-MODIS. In: Congresso Brasileiro sobre Desastres Naturais, 2012, Rio
Claro, SP. p. 10, 2012.
83
STAMM, Cristiano. Determinação do movimento de trabalhadores pendulares na
aglomeração urbana do nordeste do Rio Grande do Sul: Uma análise a partir dos
transportes coletivos. 2013. 279 f. Tese (Doutorado em Planejamento Urbano e
Regional), Faculdade de Arquitetura, Universidade Federal do Rio Grande do Sul,
Porto Alegre, 2013.
STONE, D. A.; KNUTTI, R. Weather and Climate. In: FUNG, F.; LOPES, A.; NEW, M.
(eds). Modelling the Impacto f climate change on Water Resources. Wiley-
Blackuwe, 2011. p.4-33.
Teutschbein, C.; Seibert, J. Bias correction of regional climate model simulations for
hydrological climate-change impact studies: Review and evaluation of different
methods. Journal of Hydrology. 456–457, p. 12-29, 2012.
TORRES, R. R.; MARENGO, J. A. Uncertainty assessments of climate change
projections over South America. Theoretical and Applied Climatology, v.112, p.
253-272, 2013.
TUCCI, C. E. M. Impacto da variabilidade climática e uso do solo sobre os recursos
hídricos. Câmara Temática sobre Recursos Hídricos. 150p. 2002.
VALVERDE, M. C.; MARENGO, J. A. Extreme Rainfall Indices in the Hydrographic
Basins of Brazil. Open Journal of Modern Hydrology, v. 4, p. 10-26, 2014.
VAN VUUREN, D. P.; EDMONSDS, J.; KAINUMA, M.; RIAHI, K.; THOMSONM, A.;
HIBBARD, K.; HURTT, G. C.; KRAM T.; KREY, V.; LAMARQUE, J. F.; MASUI, T.;
MEINSHAUSEN, M.; NAKICENOVIC, N.; SMITH, S. J.; ROSE, S. K. The
representative concentration pathways: an overview. Climatic Change, v. 109, p.5-
31, 2011.
VERTEINSTEIN, M.; CRAIG, T.; HENDERSON, T.; MURPHY, S.; CARR JR, G. R.;
NORTON, N. CCSM3.0 User’s Guide. Community Climate System Model
National. Center for Atmospheric Research, Boulder, CO, 2004.70 p.
VINCENT, L. A.; PETERSON, T. C.; BARROS, V. R.; MARINO, M. B.; RUSTICUCCI,
M.; CARRASCO, G.; RAMIREZ, E.; ALVES, L. M.; AMBRIZZI, T.; BERLATO, M. A.;
GRIMM, A. M.; MARENGO, J. A.; MOLION, L.; MONCUNILL, D. F.; REBELLO, E.;
84
ANUNCIAÇÃO, Y. M. T.; QUINTANA, J.; SANTOS, J. L.; BAEZ, J.; CORONEL, G.;
GARCIA, J.; TREBEJO, I.; BIDEGAIN, M.; HAYLOCK, M. R.; KAROLY, D. Observed
Trends in Indices of Daily Temperature Extremes in South America 1960-2000.
Bulletin of the American Meteorological Society, v. 18, p. 5011-5023, 2005.
YUKIMOTO, S.; NODA, A.; KITOH, A.; SUGI, M.; KITAMURA, Y.; HOSAKA, M.;
SHIBATA, K.; MAEDA, S.; UCHIYAMA, T. The New Meteorological Research
Institute Coupled GCM (MRI-CGCM2). Model Climate and Variability.
Meteorological Research Institute, Tsuikuba, Ibaraki, 2001.
ZWIERS, F. W.; ALEXANDER, L. V.; HEGERL, G. C.; KNUTSON, T. R.;
KOSSIN, J. P.; NAVEAU, P.; NICHOLLS, N.; SCHÄR, C.; SENEVIRATNE, S. I.;
ZHANG, X Climate Extremes: Challenges in Estimating and Understanding Recent
Changes in the Frequency and Intensity of Extreme Climate and Weather Events.
Asrar, G. R.; Hurrell, J.W. (eds.). Climate Science for Serving Society, p.339-389,
2013. DOI 10.1007/978-94-007-6692-1_13
86
Apêndice A - Gráficos de projeções de temperatura e precipitação acumulada dos MCGs e MCRs para os postos de estudo.
Figura A.1. Temperatura projetada por diferentes modelos para o período de 2011-2100 no Posto 1.
y = 0.0305x - 45.695
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 20
y = 0.0302x - 45.229
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
GFCM21
y = 0.0327x - 50.153
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 CTRL
y = 0.0347x - 54.381
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
HADCM3
y = 0.0451x - 75.136
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 HIGH
y = 0.0295x - 44.204
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
MPEH5
y = 0.022x - 28.868
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 LOW
y = 0.0194x - 23.903
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
MRCGCM
y = 0.0393x - 63.303
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 MID
y = 0.0218x - 28.19
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
NRCCCSM
87
Figura A.2. Temperatura projetada por diferentes modelos para o período de 2011-2100 no Posto 2.
y = 0.0299x - 42.441
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 20
y = 0.0326x - 47.959
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
GFCM21
y = 0.0026x + 13.17
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 CTRL
y = 0.0364x - 55.742
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)Ano
HADCM3
y = 0.0149x - 11.6
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 HIGHy = 0.0319x - 47.037
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
MPEH5
y = 0.022x - 28.868
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 LOW
y = 0.0197x - 22.323
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
MRCGCM
y = 0.0087x + 0.938
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 MID
y = 0.0224x - 27.231
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
NRCCCSM
88
Figura A.3. Temperatura projetada por diferentes modelos para o período de 2011-2100 no Posto 3.
y = 0.0295x - 41.176
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 20
y = 0.0321x - 46.524
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
GFCM21
y = -0.0034x + 25.641
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 CTRL
y = 0.0355x - 53.48
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)Ano
HADCM3
y = 0.0087x + 1.4634
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 HIGH
y = 0.031x - 44.766
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
MPEH5
y = 0.022x - 28.868
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 LOW
y = 0.0194x - 21.248
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
MRCGCM
y = 0.0029x + 13.17
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
ETA 40 MID
y = 0.0219x - 25.95
14
15
16
17
18
19
20
21
22
2010 2025 2040 2055 2070 2085 2100
Tem
pera
tura
(°C
)
Ano
NRCCCSM
89
Figura A.4. Precipitação acumulada projetada por diferentes modelos para o período de 2011-2100 no Posto 1.
y = 5.9505x - 10001
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 20
y = -4.1127x + 10080
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
GFCM21
y = 4.8744x - 7830.3
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 CTRL
y = 2.3827x - 3121.6
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
HADCM3
y = 6.0466x - 10262
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 HIGH
y = 4.439x - 7204.9
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
MPEH5
y = 7.1097x - 12465
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 LOW
y = 3.8501x - 5983
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
MRCGCM
y = 3.5095x - 4993
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 MID
y = 0.8612x + 38.387
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
NRCCCSM
90
Figura A.5. Precipitação acumulada projetada por diferentes modelos para o período de 2011-2100
no Posto 2.
y = 5.9744x - 10035
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 20
y = -4.5726x + 11026
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
GFCM21
y = 5.1194x - 8298.5
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 CTRL
y = 2.0691x - 2439.4
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
HADCM3
y = 5.8854x - 9966.7
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 HIGH
y = 4.0056x - 6304.6
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
MPEH5
y = 8.9991x - 16282
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 LOW
y = 4.0632x - 6387.5
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
MRCGCM
y = 2.7455x - 3428.2
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 MID
y = 0.8225x + 181.66
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
NRCCCSM
91
Figura A.6. Precipitação acumulada projetada por diferentes modelos para o período de 2011-2100
no Posto 3.
y = 4.6975x - 7529
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 20
y = -4.6814x + 11236
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
GFCM21
y = 4.4861x - 7047.9
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 CTRL
y = 1.7648x - 1834.3
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
HADCM3
y = 5.5838x - 9402.3
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 HIGH
y = 3.5482x - 5401.9
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
MPEH5
y = 8.1543x - 14627
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 LOW
y = 3.9007x - 6077.2
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
MRCGCM
y = 2.9946x - 3996.5
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
ETA 40 MID
y = 0.7361x + 328.07
0
500
1000
1500
2000
2500
3000
3500
4000
2010 2025 2040 2055 2070 2085 2100
Pre
cip
itação
Acum
ula
da (m
m)
Ano
NRCCCSM
92
Apêndice B - Tabela de índices extremos de precipitação por modelos utilizados a cada posto de estudo.
Tabela B1(continua). Índices extremos de precipitação.
Modelo Índice Posto 1 Posto 2 Posto 3
Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s
ETA 20
R95 p 727 832 908 918 729 854 936 936 746 837 898 902
R99 p 248 269 295 300 250 286 308 310 257 282 296 292
PRCPTOT 1673 2032 2251 2385 1701 2052 2269 2400 1674 1970 2137 2260
R30 14 20 24 25 14 20 24 24 15 19 22 23
RX1 80 82 93 90 82 89 94 97 83 90 93 89
RX5 156 164 186 204 157 171 192 204 156 166 176 191
CDD 18 16 18 18 17 16 18 19 17 17 18 18
CWD 8 8 8 9 8 9 9 9 8 9 8 8
SDII 10 13 15 15 11 14 16 16 12 14 16 16
ETA 40 CTRL
R95 p 723 826 867 886 724 854 872 915 739 844 884 912
R99 p 244 265 280 281 246 279 292 289 254 276 293 296
PRCPTOT 1673 2029 2208 2304 1701 2061 2220 2363 1674 2017 2182 2297
R30 14 20 22 24 14 20 22 24 15 21 22 24
RX1 78 80 84 86 79 85 92 89 82 85 88 93
RX5 151 172 179 184 156 175 175 190 153 170 175 192
CDD 17 16 20 19 17 16 18 19 18 17 19 19
CWD 8 8 9 9 9 9 8 9 9 9 9 9
SDII 10 13 13 13 11 13 14 14 12 14 15 15
ETA 40 HIGH
R95 p 738 792 874 942 746 794 880 936 760 799 881 935
R99 p 248 254 283 306 254 264 286 304 260 267 288 300
PRCPTOT 1673 1931 2152 2359 1701 1925 2122 2318 1674 1876 2066 2256
93
Tabela B1 (continuação). Índices extremos de precipitação.
Modelo Índice Posto 1 Posto 2 Posto 3
Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s
R30 14 19 23 26 14 17 20 24 15 17 21 24
RX1 80 80 87 94 82 83 87 93 84 86 89 90
RX5 144 162 174 198 146 159 179 189 146 160 172 186
CDD 16 16 18 18 16 16 18 18 16 18 19 18
CWD 8 8 8 9 8 9 9 9 8 8 8 9
SDII 10 12 13 14 11 12 13 15 12 13 14 15
ETA 40 LOW
R95 p 727 794 833 890 728 805 859 940 744 799 855 914
R99 p 250 264 264 286 247 266 272 310 258 266 268 294
PRCPTOT 1673 1925 2083 2376 1701 1967 2154 2495 1674 1902 2090 2386
R30 14 17 21 24 14 18 22 25 15 18 22 24
RX1 81 83 81 86 81 81 83 94 85 85 83 91
RX5 143 173 165 175 144 168 174 186 153 167 163 176
CDD 18 17 17 15 17 16 16 14 19 18 17 16
CWD 8 8 8 8 8 8 8 10 8 8 7 8
SDII 10 12 13 14 11 13 14 15 12 13 15 16
ETA 40 MID
R95 p 732 816 918 920 733 825 929 923 750 830 927 927
R99 p 249 264 299 303 251 276 300 308 258 277 307 309
PRCPTOT 1671 2021 2333 2260 1694 2049 2334 2234 1669 1994 2273 2186
R30 14 19 24 23 14 18 24 22 15 18 23 23
RX1 79 82 93 96 81 87 96 95 86 86 96 97
RX5 148 164 196 196 138 168 198 190 148 166 196 192
CDD 19 17 17 18 18 16 17 19 19 17 17 19
CWD 8 8 10 9 8 9 10 9 7 8 9 8
SDII 10 13 14 14 11 13 15 15 12 14 15 15
GFCM21 R95 p 723 787 689 660 724 787 676 651 739 805 695 672
94
Tabela B1 (continuação). Índices extremos de precipitação.
Modelo Índice Posto 1 Posto 2 Posto 3
Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s
R99 p 244 271 235 222 246 276 233 220 254 284 241 231
PRCPTOT 1673 1800 1570 1505 1701 1801 1548 1496 1674 1783 1535 1490
R30 14 16 13 11 14 16 11 11 15 16 12 11
RX1 78 87 75 69 79 90 75 71 82 93 80 75
RX5 151 168 143 138 156 172 144 137 153 167 142 137
CDD 17 17 18 17 17 17 17 17 18 18 18 18
CWD 8 8 8 8 9 9 9 9 9 9 8 8
SDII 10 11 10 9 11 12 10 10 12 12 11 10
HADCM3
R95 p 723 722 793 786 724 723 808 791 739 741 826 814
R99 p 244 244 270 266 246 245 277 267 254 256 286 280
PRCPTOT 1673 1667 1827 1813 1701 1692 1872 1844 1674 1676 1851 1825
R30 14 14 17 17 14 14 17 16 15 15 18 17
RX1 78 79 88 86 79 79 91 88 82 84 94 92
RX5 151 151 165 158 156 155 173 164 153 156 170 165
CDD 17 17 17 17 17 17 17 17 18 18 17 17
CWD 8 8 8 8 9 9 9 9 9 9 9 9
SDII 10 10 11 11 11 11 12 12 12 12 13 13
MPEH5
R95 p 723 763 857 900 724 757 841 889 739 773 853 907
R99 p 244 262 293 310 246 260 287 305 254 270 296 314
PRCPTOT 1673 1750 1954 2028 1701 1761 1953 2041 1674 1735 1908 2003
R30 14 15 19 20 14 15 18 20 15 16 19 21
RX1 78 84 94 100 79 84 92 97 82 88 97 103
RX5 151 161 178 186 156 162 179 191 153 158 178 191
CDD 17 17 17 17 17 17 17 17 18 18 17 17
95
Tabela B1 (continuação). Índices extremos de precipitação.
Modelo Índice Posto 1 Posto 2 Posto 3
Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s Atual 2025s 2055s 2085s
CWD 8 8 8 8 9 9 9 9 9 9 8 8
SDII 10 11 12 12 11 11 13 13 12 12 13 14
MRCGCM
R95 p 723 761 872 891 724 764 871 913 739 782 892 940
R99 p 244 258 296 311 246 262 300 322 254 272 312 336
PRCPTOT 1673 1754 1991 2006 1701 1778 2015 2069 1674 1753 1990 2051
R30 14 16 19 20 14 15 19 20 15 16 20 21
RX1 78 82 94 100 79 84 96 105 82 87 101 108
RX5 151 156 185 195 156 163 190 206 153 159 189 203
CDD 17 17 17 17 17 17 16 16 18 18 17 17
CWD 8 8 8 8 9 9 9 9 9 9 9 9
SDII 10 11 12 12 11 12 13 13 12 12 14 14
NRCCCSM
R95 p 723 775 787 797 724 786 804 819 739 795 821 833
R99 p 244 265 268 273 246 271 276 280 254 277 285 286
PRCPTOT 1673 1775 1804 1824 1701 1822 1864 1899 1674 1785 1841 1869
R30 14 15 16 17 14 16 17 18 15 17 18 18
RX1 78 87 87 88 79 89 91 92 82 92 95 94
RX5 151 171 172 174 156 175 177 181 153 169 174 176
CDD 17 17 17 17 17 17 17 17 18 17 17 17
CWD 8 8 8 8 9 9 9 9 9 9 9 9
SDII 10 11 11 11 11 12 12 12 12 12 13 13